[WWW 2019] A Hierarchical Attention Retrieval Model for Healthcare Question Answering
- 醫(yī)療場(chǎng)景的問(wèn)答
- 其實(shí)就是文檔檢索排序镣衡，只不過(guò)做了多個(gè)級(jí)別的Attention
-
構(gòu)建了新的數(shù)據(jù)集來(lái)驗(yàn)證方法
模型結(jié)構(gòu)圖
[WWW 2019] Cross-domain Recommendation Without Sharing User-relevant Data
- cross-domain推薦捎拯，但是傳統(tǒng)的cross-domain都是共享用戶的歷史行為數(shù)據(jù)的蹈垢，而有些時(shí)候這些數(shù)據(jù)是很敏感很隱私的
- 本文提出只共享item Embedding的方法辈双，避免了敏感數(shù)據(jù)的泄露
-
首先在輔助domain里面預(yù)訓(xùn)練item Embedding氮唯，然后遷移到target domain里面用
模型結(jié)構(gòu)圖
[WWW 2019] GhostLink Latent Network Inference for Influence-aware Recommendation
- 用戶對(duì)某個(gè)物品的打分會(huì)受到社交網(wǎng)絡(luò)中別的用戶的影響
-
本文用無(wú)監(jiān)督的概率圖模型來(lái)自動(dòng)學(xué)習(xí)latent influence玖详，通過(guò)用戶post和content东揣，然后用來(lái)提高推薦系統(tǒng)的效果
概率圖模型結(jié)構(gòu)
[WWW 2019] Graph Neural Networks for Social Recommendation
- GNN做推薦系統(tǒng)
- 有user-user圖和user-item圖
-
分別在圖上做Attention
模型結(jié)構(gòu)圖
[WWW 2019] Hierarchical Temporal Convolutional Networks for Dynamic Recommender Systems
- 序列推薦眼俊， 預(yù)測(cè)下一個(gè)item
-
預(yù)測(cè)每一個(gè)時(shí)刻的user表示揽咕，用來(lái)推薦item
模型結(jié)構(gòu)圖
[WWW 2019] Learning Novelty-Aware Ranking of Answers to Complex Questions
- 這里的novelty其實(shí)就是diversity的意思
- 考慮到答案的相關(guān)性和多樣性
-
PairWise的建模
模型結(jié)構(gòu)圖
[WWW 2019] Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation
- 多任務(wù)特征學(xué)習(xí)
- 加入item的知識(shí)圖譜（head-ralation-tail）做推薦系統(tǒng)
- user和item一起預(yù)測(cè)打分悲酷，head和relation一起預(yù)測(cè)tail
-
item和head做個(gè)Cross&compress，如圖：
Cross&compress unit
模型結(jié)構(gòu)圖
