最近有调研几篇知识图谱在推荐系统的应用的论文，在组内进行了分享。在这里写成文字版，给大家普及一下知识图谱的背景以及在推荐上的应用。如有错误，望指正。

1 2 3 4 5 6

背景介绍（2012-2020） 推荐场景发展 1. Collaborative knowledge base embedding for recommender systems KDD, 2016, Microsoft 2. Deep knowledge-aware network (DKN) 2018, ShanghaiJiaoTongU 3. RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems, 2018, ShanghaiJiaoTongU 总 结

阅读全文 »

本文回顾近几十年发展过程，展望一下未来20年的发展方向。雷军说，站在风口，猪都能飞。既然大家都是猪，就要找好风口。

国家发改委首次明确「新基建」范围，具体涵盖

1. 5G 基建
2. 工业互联网
3. 人工智能
4. 大数据中心
5. 高速公路轨道交通
6. 新能源汽车充电桩
7. 特高压

平衡业务策略与模型之间的关系。策略能力有限，模型也“没有银弹”。

最近刚好在研究策略和多样性的关系，就帮DataFunTalk社区又整理了一篇稿子，策略本身很乏味，但是策略可以解决很多模型解决不了的问题。
为什么会这样呢？主要还是模型太笨了，由于模型不能完全动态的掌握用户的心理变化，兴趣变化，所以一般的推荐模型都是对于用户的基于历史的点击率CTR预估，可以简化为分类或者回归模型。可是实际上，远远没有这么简单。我觉得最接近”智能化的推荐“的算法就应该是强化学习，算法推出一个item就是一次尝试，用户的行为会及时让系统收到反馈，无论是”多样性“，”准确性“，”兴趣偏好“，”负反馈“，统统都会被融合到Agent的激励里。之后有空了希望进一步调研强化学习在推荐的瓶颈。
以下为分享内容。

5004完结撒花🌸🌸ヽ(°▽°)ノ🌸🌸.

Q1

• Subword Models 解决OOV问题

OOV： out-of-vocabulary即单词不在词汇库里的情况
之前的模型都是基于单词层面的，但是对于一个新单词“asd”没有解决方案。一个朴素的想法就是“拆分”，把长单词拆成几个单词的组合。相对于中文来说，就是一个新的词组去按照每个字的意思去理解单词的意思。
下面是解决方案。

这一节主要讲cnn在nlp中的应用，然后讲了几篇paper的思路。站在现在看CNN其实对于nlp并没有爆发性的突破，但是CNN也算是提取局部特征的思路，可以学习2017年以前那些人的尝试过程，也蛮有意思吧。

这次作业感觉有点简单啊。🤧 最后一题凭感觉写的，不知道对不对，如果有问题请在留言板告诉我。
希望大家留言板支持一下博主，打公式真的好累。☹️ 给个例子让你们参考一下。

阅读全文 »

这一节主要在介绍数据集和task。对于模型没太深究。

• 问答系统QA

一般的project组成部分，很容易理解，不解释了。