MSRHNN:Multidimensional Social Relation under Heterogeneous Neural Network for Recommendation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract With the growing popularity of mobile smart devices and the availability of 4G and 5G networks, social recommendation systems have become a hot research topic for industrial applications. Social networks among users are built through social information, which can improve collaborative filtering and solve cold start and sparsity problems. Graph convolutional networks have been widely used to represent the interactions and structural relationships among entities, but the exponential increase of the domain introduces a new problem. In this paper, we propose a multidimensional social relation under heterogeneous neural network (MSRHNN). By embedding historical evaluations, various social networks constituting different dimensions, the attention integration of different social networks on user preferences is achieved. A static graph encoder is used to process the node representation of each heterogeneous graph at different time steps, which includes the node attribute information and edge information, to capture the changing feature information of the nodes in all time steps of the dynamic graph, and to obtain an effective node representation at each time step. The goal of the heterogeneous dynamic graph neural network is to capture the changing node representations of the same nodes and different nodes in the graph network at different time steps, in order to better perform the task of node classification in dynamic graphs. In this paper, the model of heterogeneous dynamic graph neural network is verified from data, and experiments show that heterogeneous dynamic graph neural network outperforms other representation learning methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle