今天主要关注知识推理和知识地图补充工作。 相关内容如下。
1 .论文名称： leveragingdemonstrationsforreinforcementrecommendationreasoningoverknowledgegraphs
作者：康志赵，西亭王，云仁张，李赵，郑刘春，春小兴，兴xie (https://www.Microsoft.com/en-us
论文地址： https://www.aminer.cn/pub/5f 0277 e 911 DC 830562231 e 00
指南：知识地图被广泛用于提高推荐的准确度。 知识地图上的多跳用户-项目连接还提供了关于为什么推荐某个项目的推理。 但是，路径推理是一个复杂的组合优化问题。 传统的推荐方法通常需要相当大的力量才能找到可行的路径，这导致与可描述性和收敛性相关的问题。 在本文中，我们将更好地监督路线搜索过程以解决这些问题。 关键思想是用最低限度的标记提取不完整路径的演示，有效利用这些演示指导寻路。 特别是作者设计了基于演示的知识地图推理框架，使其能够说明推荐。 作者还提出了另一面的actor批评家(ADAC )模型，用于寻找示威主导的途径。 在三个实际基准上的实验表明，该方法比最先进的基准方法收敛更快，提高了推荐精度和可解释性。
2 .论文名称端到端结构awareconvolutionalnetworksforknowledgebasecompletion
作者：赵上，云塘，景黄，景博毕，小东河，文州
论文地址： https://www.aminer.cn/pub/5c 04967517 c 44 a 2c 7470911 c
导读：本文在链路预测中提出了一种新的知识地图向量学习方法。 该方法针对以往转换模型的缺点： (1)没有学习知识图像中节点在图像中的结构特性； )2)保持向量无平移不变性(subject relation=object )。 为此，作者将WGCN与一个改进版的conve(conv-transe )相结合，这样在编码阶段) by WGCN中利用知识图的结构特征和节点属性，进行解码阶段) by Conv-TransE (按转换) 实验证明，在FB15k-237和WN18RR这两个数据集上的性能比DistMult、ComplEx、R-GCN和ConvE有很大的提高。
3 .论文名称： temp : temporalmessagepassingfortemporalknowledgegraphcompletion
作者：贾彭武，孟曹，jackiechikitcheungandwilliaml.Hamilton
论文地址： https://www.aminer.cn/pub/5f7ee dec 91 e 011 a5 faf 10022
导读：本文工作针对动态知识图(原三元组加时间戳)互补问题，提出了一系列时间序列信息传递框架(TeMP )。 该方法设计了双层编码器结构：以R-GCN为编码器的第一层学习结构信息； 作者作为编码器的第二层(以第一层嵌入式为输入)1)基于GRU的编码器结构和)2)模仿传输函数的编码器结构)，考虑两种不同的结构来学习时间序列信息另外，本文为了应对实体的时序稀疏问题和变动问题，分别提出了两种模型增强方法。 该方法与许多静态和动态的知识地图显示学习模型进行了比较，得到了SOTA的表达。