DKN:注意力 知识图谱 新闻推荐

在这里插入图片描述
KCNN :
semantic-level & knowledge-level
1.multi-channel:word embedding;entity embedding;context entity embedding
2.word-entity-aligned:word & associated entity

新闻数据特征:
1.高度时间敏感,相关性很快失效
2.人对话题热点的敏感,对多个类别感兴趣
3.新闻语言高度浓缩凝结,包含大量知识节点和常识。

知识图谱嵌入:
entity-relation-entity(h,r,t)
为知识图谱中的每个实体和关系学习得到一个低维向量,同时保持图中原有的结构或语义信息。一般而言,知识图谱特征学习的模型分类两类:基于距离的翻译模型(使用基于距离的评分函数评估三元组的概率,将尾节点视为头结点和关系翻译得到的结果。这类方法的代表有TransE、TransH、TransR、TransD等)和基于语义的匹配模型(使用基于相似度的评分函数评估三元组的概率,将实体和关系映射到隐语义空间中进行相似度度量。这类方法的代表有SME、NTN、MLP、NAM等)。
在这里插入图片描述
(基于距离的翻译模型中TransD结果更好)
在这里插入图片描述

在这里插入图片描述
定义损失:在这里插入图片描述
Kim CNN:在这里插入图片描述
DKN模型结构图:
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
KCNN:将word embedding & entity embedding & context entity embedding拼接
在这里插入图片描述
其中,在这里插入图片描述或者在这里插入图片描述(非线性结果更好)
注意力模型:
DNN H计算权重
在这里插入图片描述
DNN G计算点击率
在这里插入图片描述
在这里插入图片描述

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值