Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userTweet and followee personalized recommendations based on knowledge graphs
التوصيات الشخصية للتغريدات والمغردين بناءً على بيان المعرفة
1900
0 187
0
(
0
)
Added by
Damascus University حلقة بحث
Publication date
2018
fields
Informatics Engineering
and research's language is
العربية
Authors
Habib_Francis( طالب )
Created by
Ibrahem Tafely
Ask ChatGPT about the research
يهدف البحث إلى عمل دراسة في طرائق نظم التوصيات الخاصة بشبكات التواصل الإجتماعي ، بحيث يتم ذكر العديد من هذه الطرائق والمقارنة فيما بينها ،والتركيز على موقع تويتر من خلال شرح عمل نظام توصية شخصي للتغريدات والمتابَعين معتمداً على بيان المعرفة .
No English abstract
Artificial intelligence review:
Research summary
يهدف البحث إلى دراسة طرق نظم التوصيات الخاصة بشبكات التواصل الاجتماعي، مع التركيز على موقع تويتر. يتم شرح عمل نظام توصية شخصي للتغريدات والمغردين بناءً على بيان المعرفة. يتناول البحث مشكلات مثل كثرة التغريدات وصعوبة الوصول إلى التغريدات الملائمة، ويقترح بناء نظام توصيات فعال يساعد المستخدمين في استقصاء التغريدات التي تهمهم واقتراح مستخدمين جدد لمتابعتهم. يتم استعراض طرق التصفية التعاونية والتصفية بناءً على المحتوى، مع ذكر مشكلات مثل البداية الباردة والإفراط في التخصص. النهج المقترح يعتمد على بيان معرفي (KG) لتوسيع اهتمامات المستخدم واقتراح تغريدات ومغردين بناءً على العلاقات الدلالية بين المواضيع. يتم استخدام خوارزمية Steiner Tree لاستخراج البيان الجزئي الذي يمثل اهتمامات المستخدم بأقل كلفة ممكنة. يتم شرح الهيكلية العامة للنموذج المقترح وكيفية تمثيل التغريدات وسجل المستخدم، بالإضافة إلى آلية اقتراح التغريدات والمغردين بناءً على التشابه في الاهتمامات.
Critical review
دراسة نقدية: يقدم البحث نظرة شاملة ومفصلة حول نظم التوصيات في تويتر، ويستعرض العديد من الطرق والمشكلات المرتبطة بها. ومع ذلك، يمكن أن يكون هناك بعض النقاط التي تحتاج إلى تحسين. على سبيل المثال، قد يكون من المفيد تقديم تجارب عملية أو دراسات حالة لتوضيح فعالية النهج المقترح بشكل أفضل. كما أن الاعتماد على بيان المعرفة (KG) قد يكون معقدًا ويتطلب موارد كبيرة، مما قد يحد من إمكانية تطبيقه في الوقت الفعلي. بالإضافة إلى ذلك، يمكن أن تكون هناك حاجة لمزيد من التحليل حول كيفية التعامل مع البيانات المحدودة من تويتر وكيفية تحسين دقة التوصيات في ظل هذه القيود. بشكل عام، البحث يقدم مساهمة قيمة في مجال نظم التوصيات، ولكن هناك مجال لتحسينات إضافية.
Questions related to the research
-
ما هي المشكلة الرئيسية التي يعاني منها مستخدمو تويتر وفقًا للبحث؟
المشكلة الرئيسية هي كثرة التغريدات وصعوبة الوصول إلى التغريدات الملائمة لاهتمامات المستخدمين، مما يؤدي إلى تغويت التغريدات المثيرة للاهتمام.
-
ما هي الطريقتان الأساسيتان لنظم التوصيات التي تم استعراضها في البحث؟
الطريقتان الأساسيتان هما التصفية التعاونية (Collaborative Filtering) والتصفية بناءً على المحتوى (Content Based).
-
كيف يتم تمثيل اهتمامات المستخدم في النهج المقترح؟
يتم تمثيل اهتمامات المستخدم كعقد داخل بيان المعرفة (KG)، ويتم ترتيب أهمية العقد المجردة أو العامة أقل من الفئات أو المواضيع الأكثر خصوصية.
-
ما هي خوارزمية Steiner Tree وكيف تُستخدم في البحث؟
خوارزمية Steiner Tree تُستخدم لاستخراج البيان الجزئي الذي يمثل اهتمامات المستخدم بأقل كلفة ممكنة من خلال إيجاد الشجرة التي تحوي جميع مواضيع الاهتمام بأقل مجموع كلف على مر الوصلات.
References used
Tweet and followee personalized recommendations based on knowledge graphs
A Personalized Tweet Recommendation Approach Based on Concept Graphs
rate research
Read More
The design of expressive representations of entities and relations in a knowledge graph is an important endeavor. While many of the existing approaches have primarily focused on learning from relational patterns and structural information, the intrin
sic complexity of KG entities has been more or less overlooked. More concretely, we hypothesize KG entities may be more complex than we think, i.e., an entity may wear many hats and relational triplets may form due to more than a single reason. To this end, this paper proposes to learn disentangled representations of KG entities - a new method that disentangles the inner latent properties of KG entities. Our disentangled process operates at the graph level and a neighborhood mechanism is leveraged to disentangle the hidden properties of each entity. This disentangled representation learning approach is model agnostic and compatible with canonical KG embedding approaches. We conduct extensive experiments on several benchmark datasets, equipping a variety of models (DistMult, SimplE, and QuatE) with our proposed disentangling mechanism. Experimental results demonstrate that our proposed approach substantially improves performance on key metrics.
Recent transformer-based approaches demonstrate promising results on relational scientific information extraction. Existing datasets focus on high-level description of how research is carried out. Instead we focus on the subtleties of how experimenta
l associations are presented by building SciClaim, a dataset of scientific claims drawn from Social and Behavior Science (SBS), PubMed, and CORD-19 papers. Our novel graph annotation schema incorporates not only coarse-grained entity spans as nodes and relations as edges between them, but also fine-grained attributes that modify entities and their relations, for a total of 12,738 labels in the corpus. By including more label types and more than twice the label density of previous datasets, SciClaim captures causal, comparative, predictive, statistical, and proportional associations over experimental variables along with their qualifications, subtypes, and evidence. We extend work in transformer-based joint entity and relation extraction to effectively infer our schema, showing the promise of fine-grained knowledge graphs in scientific claims and beyond.
Although paths of user interests shift in knowledge graphs (KGs) can benefit conversational recommender systems (CRS), explicit reasoning on KGs has not been well considered in CRS, due to the complex of high-order and incomplete paths. We propose CR
FR, which effectively does explicit multi-hop reasoning on KGs with a conversational context-based reinforcement learning model. Considering the incompleteness of KGs, instead of learning single complete reasoning path, CRFR flexibly learns multiple reasoning fragments which are likely contained in the complete paths of interests shift. A fragments-aware unified model is then designed to fuse the fragments information from item-oriented and concept-oriented KGs to enhance the CRS response with entities and words from the fragments. Extensive experiments demonstrate CRFR's SOTA performance on recommendation, conversation and conversation interpretability.
Knowledge graph entity typing aims to infer entities' missing types in knowledge graphs which is an important but under-explored issue. This paper proposes a novel method for this task by utilizing entities' contextual information. Specifically, we d
esign two inference mechanisms: i) N2T: independently use each neighbor of an entity to infer its type; ii) Agg2T: aggregate the neighbors of an entity to infer its type. Those mechanisms will produce multiple inference results, and an exponentially weighted pooling method is used to generate the final inference result. Furthermore, we propose a novel loss function to alleviate the false-negative problem during training. Experiments on two real-world KGs demonstrate the effectiveness of our method. The source code and data of this paper can be obtained from https://github.com/CCIIPLab/CET.
With the recent surge in social applications relying on knowledge graphs, the need for techniques to ensure fairness in KG based methods is becoming increasingly evident. Previous works have demonstrated that KGs are prone to various social biases, a
nd have proposed multiple methods for debiasing them. However, in such studies, the focus has been on debiasing techniques, while the relations to be debiased are specified manually by the user. As manual specification is itself susceptible to human cognitive bias, there is a need for a system capable of quantifying and exposing biases, that can support more informed decisions on what to debias. To address this gap in the literature, we describe a framework for identifying biases present in knowledge graph embeddings, based on numerical bias metrics. We illustrate the framework with three different bias measures on the task of profession prediction, and it can be flexibly extended to further bias definitions and applications. The relations flagged as biased can then be handed to decision makers for judgement upon subsequent debiasing.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
