知识图谱2021 paper_biji

这篇博客探讨了知识图谱在对话推荐系统中的应用,通过预训练亿级规模的商品知识图谱来改善推荐效果。同时介绍了将图谱预训练与图表示学习区别的方法。还涉及到了关系抽取、三元组抽取的创新技术,以及如何通过选择性知识注入优化语言模型预训练的过程。
摘要由CSDN通过智能技术生成

Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph

利用商品图谱 pretrain 得到商品表示,图谱结构信息使用的最简单的 transR 进行,和普通特征一起过推荐排序模型。

重点是商品图谱的构建,由用户 点击/收藏 商品,商品的类别属性,本 session 的关键词等构件图谱。

借鉴预训练思想,在图谱上进行预训练,在下游任务上使用。如何理解与区别图谱预训练和图表示学习?

Billion-scale Pre-trained E-commerce Product Knowledge Graph Model

Document-level Relation Extraction as Semantic Segmentation

关系抽取任务,三元组利用类似于图像语义分割的方法对实体-实体矩阵进行分割处理,以捕获三元组之间的全局交互信息

  • 0
    点赞
  • 0
    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