基于图形神经网络（GNN）的协作过滤方法已经见证了推荐系统（RS）的显着成功，并利用了他们通过消息通知机制在复杂的用户项目中捕获协作信号的能力。但是，这些基于GNN的RS无意间引入了用户和项目嵌入之间的过剩线性相关性，这与提供个性化建议的目标相矛盾。尽管现有的研究主要将这一缺陷归因于过度光滑的问题，但本文强调了过度相关问题在降低GNN表示的有效性和随后的建议绩效方面的关键，经常被忽视的作用 ...

大多数现有的知识图通常都不完整，可以通过某些推理算法来补充。基于路径特征的推理方法被广泛用于知识图推理的领域，并且由于其具有强大的解释性。但是，基于路径特征的推理方法在以下方面仍然存在多个问题：搜索search iSineff，稀疏任务的路径不足，某些路径对推理任务无济于事 ...

知识图（kgs）是公司的主要资产，这要归功于它们在数据表示方面的灵活性及其众多应用程序，例如词汇共享，q/a或推荐系统 ...

图神经网络（GNN）已被广泛用于社交网络，分子生物学或推荐系统等各个领域。同时，已经出现了不同的GNN解释方法来补充其黑盒性质。 GNNS预测的解释可以分为两种类型 - 事实和反事实 ...

传统信息检索基于文档和查询的稀疏字矢量表示。最近的深度学习方法使用了使用基于 Transformer 的大语言模型学习的密集嵌入。我们表明，在囊性纤维化医学领域的科学文档检索的经典基准上，这两个模型都表现出色 ...

反事实解释通过探索项目或用户的最小变化如何影响建议决策来解释建议机制。现有的反事实解释方法面临巨大的搜索空间，其解释是基于动作的（例如 ...

最近，知识图（kgs）已成功与大语言模型（LLMS）结合起来，以减轻其幻觉并增强其推理能力，例如在基于KG的检索型框架中。但是，当前的KG-LLM框架缺乏严格的不确定性估计，从而限制了其在高风险应用程序中的可靠部署。直接将不确定性量化纳入kg-llm框架中，由于其复杂的架构以及知识图和语言模型组件之间的复杂相互作用，提出了挑战 ...

扩散 Transformer （DIT）对于视频生成至关重要，但由于注意力的二次复杂性而遭受了显着的潜伏期。通过仅计算关键 Token ，稀疏的注意力降低了计算成本，并提供了有希望的加速方法。但是，我们确定现有方法在相同的计算预算下无法达到最佳生成质量，原因有两个：（1）关键 Token 标记识别：当前方法基于位置而不是语义的集群 Token ，导致汇总表示不精确 ...