内容摘要: 个性化推荐在当前消费场景中起着至关重要的作用。本教程主要包括两个部分:基础和趋势。在第一部分中,我们将介绍个性化推荐系统的基本问题,包括用户意图和需求,挑战性问题和最新技术。在第二部分中,我们将重点关注相关领域中的新趋势主题,包括(但不限于):用户满意度和评估方式,可解释的推荐,基于知识图谱和推论的推荐,跨域异构推荐以及公平性。最后,我们将讨论未来的发展方向。

作者简介: 张敏博士是清华大学计算机科学与技术系的终身教授,研究方向为Web搜索和推荐以及用户建模。她是CS部门智能技术与系统实验室的副主任,清华-MSRA媒体与搜索实验室的执行主任。她还担任过ACM TOIS副编辑。她已发表了100多篇论文,引用次数超过3500, H-index得分为32。她在2016年获得了北京科学技术奖(一等奖),并在2018年获得了中国大学计算机科学优秀教师奖。她还拥有12项专利。并且她与国际和国内企业进行了很多合作。

成为VIP会员查看完整内容
0
54

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

内容概要:

在复杂的实际应用中,图是有用的数据结构,例如对物理系统进行建模,学习分子指纹,控制交通网络以及在社交网络中推荐朋友。但是,这些任务需要处理包含元素之间的丰富关系信息且无法通过传统深度学习模型(例如卷积神经网络(CNN)或递归神经网络(RNN))妥善处理的非欧氏图数据。图中的节点通常包含有用的特征信息,这些信息在大多数无监督的表示学习方法(例如,网络嵌入方法)中无法很好地解决。图神经网络(GNN)被提出来结合特征信息和图结构,以通过特征传播和聚集学习更好的图表示。由于其令人信服的性能和高解释性,GNN最近已成为一种广泛应用的图分析工具。

本书全面介绍了图神经网络的基本概念,模型和应用。首先介绍了vanilla GNN模型。然后介绍了vanilla模型的几种变体,例如图卷积网络,图递归网络,图注意力网络,图残差网络和一些通用框架。还包括不同图类型的变体和高级训练方法。对于GNN的应用,该书分为结构,非结构和其他场景,然后介绍了解决这些任务的几种典型模型。最后,最后几章提供了GNN的开放资源以及一些未来方向的展望。

本书组织如下。在第1章中进行了概述之后,在第2章中介绍了数学和图论的一些基本知识。在第3章中介绍了神经网络的基础,然后在第4章中简要介绍了香草GNN。四种类型的模型分别在第5、6、7和8章中介绍。在第9章和第10章中介绍了不同图类型和高级训练方法的其他变体。然后在第11章中提出了几种通用的GNN框架。第12、13和14章介绍了GNN在结构场景,非结构场景和其他场景中的应用。最后,我们在第15章提供了一些开放资源,并在第16章总结了这本书。

作者:

刘知远,清华大学计算机系自然语言处理实验室, 副教授。2006年获得清华大学计算机科学与技术系学士学位,2011年获得博士学位。他的研究兴趣是自然语言处理和社会计算。在IJCAI、AAAI、ACL、EMNLP等国际期刊和会议上发表论文60余篇。

http://nlp.csai.tsinghua.edu.cn/~lzy/index_cn.html

周界是清华大学计算机科学与技术系硕士二年级学生。他于2016年获得清华大学学士学位。他的研究兴趣包括图形神经网络和自然语言处理。

图书目录:

  • 前言
  • 致谢
  • 第一章: 引言
  • 第二章: 数学和图的基础知识
  • 第三章: 神经网络的基础知识
  • 第四章: Vanilla 图神经网络
  • 第五章: 图卷积网络
  • 第六章: 图递归网络
  • 第七章: 图注意力网络
  • 第八章 : 图残差网络
  • 第九章: 同图形型的变体
  • 第十章: 高级训练方法的变体
  • 第十一章: 一般框架
  • 第十二章: 应用——结构场景
  • 第十三章: 应用——非结构性场景
  • 第十四章: 应用——其他场景
  • 第十五章: 开放资源
  • 第十六章: 结论
  • 参考书目
成为VIP会员查看完整内容
0
226

论文题目: Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation

论文摘要:

最近关于推荐的研究主要集中在探索最先进的神经网络,以提高模型的表达能力,同时通常采用负抽样(NS)策略来提高学习效率。尽管有效,现有方法中有两个重要问题没有得到充分考虑:1) NS波动剧烈,基于抽样的方法在实际应用中难以获得最优的排序性能;2)尽管异构反馈(如查看、单击和购买)在许多在线系统中广泛存在,但大多数现有方法仅利用一种主要类型的用户反馈,如购买。在这项工作中,我们提出了一种新的非抽样转移学习解决方案,命名为高效异构协同过滤(EHCF),用于Top-N推荐。它不仅可以对细粒度的用户-项目关系进行建模,而且可以从整个异构数据(包括所有未标记的数据)中高效地学习模型参数,并且具有较低的时间复杂度。对三个真实数据集的大量实验表明,EHCF在传统(单一行为)和异构场景中都显著优于最先进的推荐方法。此外,EHCF在培训效率方面有显著的改进,使其更适用于真实世界的大型系统。我们的实现已经发布,以促进更有效的基于全数据的神经方法的进一步发展。

论文作者:

张敏博士是清华大学计算机科学与技术系的终身副教授,专门从事网络搜索和推荐以及用户建模。她是计算机系智能技术与系统实验室副主任,清华-MSRA媒体与搜索实验室执行主任。她还担任ACM信息系统事务(TOIS)的副编辑,SIGIR 2019教程主席,SIGIR 2018短论文主席,WSDM 2017项目主席等。发表论文100余篇,被引用次3500余次,H指数32分。2016年获北京市科技奖(一等奖),2018年获全国高校计算机科学优秀教师奖等。她还拥有12项专利,并与国内外企业进行了大量的合作。

马少平是清华大学智能技术与系统国家重点实验室计算机科学与技术系教授,研究领域为智能信息处理, 信息检索。主要研究兴趣是智能信息处理,主要集中在信息检索与Web信息挖掘等方面,尤其研究基于网络用户行为分析的语义挖掘,以改进搜索引擎的性能。

成为VIP会员查看完整内容
0
38

教程题目: Foundations and Trends for Personalized Recommendation

摘要:

个性化推荐在当前的信息消费环境中起着至关重要的作用。本教程主要包括两个部分:基础和趋势。在第一部分中,我们将介绍个性化推荐系统的基本问题,包括用户意图和需求、挑战性问题和最新技术。在第二部分,我们将重点关注相关领域的新趋势话题,包括(但不限于):用户满意度与评价、可解释推荐、基于知识图谱和推理的推荐、跨域异构推荐、推荐系统中的公平性问题等。最后,将与与会者讨论未来的发展方向。

嘉宾介绍

张敏博士是清华大学计算机科学与技术系的终身副教授,专门从事网络搜索和推荐以及用户建模。她是计算机系智能技术与系统实验室副主任,清华-MSRA媒体与搜索实验室执行主任。她还担任ACM信息系统事务(TOIS)的副编辑,SIGIR 2019教程主席,SIGIR 2018短论文主席,WSDM 2017项目主席等。发表论文100余篇,被引用次3500余次,H指数32分。2016年获北京市科技奖(一等奖),2018年获全国高校计算机科学优秀教师奖等。她还拥有12项专利,并与国内外企业进行了大量的合作。

成为VIP会员查看完整内容
0
52
小贴士
相关VIP内容
【新书】图神经网络导论,清华大学刘知远老师著作
专知会员服务
226+阅读 · 2020年6月12日
报告 |事理图谱的构建及应用,附61页pdf
专知会员服务
73+阅读 · 2020年1月17日
清华大学唐杰老师:用于理解、推理和决策的认知图计算
专知会员服务
76+阅读 · 2019年11月30日
知识图谱在可解释人工智能中的作用,附81页ppt
专知会员服务
55+阅读 · 2019年11月11日
资源 | 李航老师《统计学习方法》(第2版)课件下载
专知会员服务
153+阅读 · 2019年11月10日
相关论文
Filippo Maria Bianchi,Daniele Grattarola,Cesare Alippi
19+阅读 · 2020年6月3日
Talking-Heads Attention
Noam Shazeer,Zhenzhong Lan,Youlong Cheng,Nan Ding,Le Hou
11+阅读 · 2020年3月5日
Wenwu Zhu,Xin Wang,Peng Cui
18+阅读 · 2020年1月2日
Learning Disentangled Representations for Recommendation
Jianxin Ma,Chang Zhou,Peng Cui,Hongxia Yang,Wenwu Zhu
4+阅读 · 2019年10月31日
Luca Franceschi,Mathias Niepert,Massimiliano Pontil,Xiao He
15+阅读 · 2019年3月28日
Efficient Parameter-free Clustering Using First Neighbor Relations
M. Saquib Sarfraz,Vivek Sharma,Rainer Stiefelhagen
3+阅读 · 2019年2月28日
To Cluster, or Not to Cluster: An Analysis of Clusterability Methods
A. Adolfsson,M. Ackerman,N. C. Brownstein
3+阅读 · 2018年8月24日
Tran Dang Quang Vinh,Tuan-Anh Nguyen Pham,Gao Cong,Xiao-Li Li
9+阅读 · 2018年4月18日
Rahul Meshram,D. Manjunath,Nikhil Karamchandani
9+阅读 · 2018年3月23日
Top