02-prop-of-graph-and-rand-model
Properities of networks, Random Graph Model
在下面所提到的图默认是无向图。介绍了graph的四种属性
为什么network/graph很重要?
Networks are a general language for describing complex systems of interacting entities
当我们谈论network的时候,经常讨论两种图:
Collection of KGE papers, volume 1.
Now it contains models of:
2019-11-10 ACL 2020
重新发现目前的KGC方法中存在的问题,提出了一个RANDOM的评估策略。
ACL 2020
虽然目前对于KGE的研究已经很多了,但是目前的方法都存在一个问题,简单的方法模型的表达能力不够;复杂的方法参数多,复杂性高,难以应用与实际的大规模的知识图谱。
本文就考虑如何在不增加复杂度的情况下增加模型的表达能力:
核心方法是将实体和关系的embedding拆分为k个segment。
在结合了知识图谱之后,就形成了一个关系更加丰富的graph neural network,使用GNN的方法来进行最后的预测。这篇论文就是在结合了知识图谱的基础上使用作者之前(2019)发表的neural graph collaborative filtering(ngcf)算法。理解了ngcf这篇论文就很好理解。
论文的主要贡献是提出了一种embeding propagation的方式,能够利用high order范围内的实体,训练得到用户和物品的embeding。结合知识图谱做推荐。
ONN(Operation-aware Neural Networks for user response)是2018年腾讯广告算法比赛最优的推荐算法。主要任务是预测用户点击推荐广告的概率(click-through rate, CTR)或者进行其它期望的行为(conversion rate, CVR)。在基本的通用的Base model上,将PNN与FFM结合起来,实现了在embedding层的每一个feature对于不同operation(内积或者外积)有不同的表示,之后进入MLP,得到更好的预测结果