Personalized Summarization of Scientific Scholarly Texts
提出无监督抽取式摘要算法 P-Summ,利用加权非负矩阵分解建模潜在语义并按用户知识偏好筛选句子,同时构建句子、术语和语义三粒度评估框架,在四个科学论文数据集上验证其可满足正负知识偏好。
2024-10-27 cs.IR
Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations
Rensselaer Polytechnic Institute(拉特兰理工学院)
提出轻量级神经符号框架,通过推理时自适应用户知识图谱抑制特征共现,引导LLM产生多样化推荐,实验证明提高新颖性且保持质量。
2025-09-08 cs.IR cs.LG
Knowledge graph-based personalized multimodal recommendation fusion framework
针对传统推荐方法难以捕捉用户细微兴趣的问题,提出CrossGMMI-DUKGLR框架,结合预训练模型、多头交叉注意力与图注意力网络,优化多模态融合与高阶依赖建模,提升推荐表征精度。
2025-09-03 cs.IR
Data Augmentation for Personal Knowledge Base Population
Nitte Meenakshi Institute of Technology(尼特梅纳克希理工学院);IBM Research India(IBM印度研究院)
冷启动知识库填充(KBP)是从非结构化文档中填充知识库的问题。虽然人工神经网络已经导致KBP的不同任务的显著改进,但端到端系统的整体F1仍然很低。这一问题在个人知识库中更为严重,这对数据保护、公平性和隐私提出了更多挑战。在这项工作中,我们提出了一个系统,该系统使用基于规则的注释器和用于缺失链接预测的图神经网络,以从TACRED数据集填充更完整、公平和多样化的知识库。
2020-08-18 cs.AI cs.CL cs.IR
A Personalized Recommender System Based-on Knowledge Graph Embeddings
Université de technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Vivocaz(Vivocaz公司)
针对推荐系统中用户与物品隐含关联捕捉的需求,提出一种应用于车辆购销领域的基于知识图谱嵌入的个性化推荐系统,实验验证其能提供符合用户个体特征的相关推荐。
2023-07-20 cs.AI cs.IR
Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph
Joint NTU-Webank Research Institute on Fintech(南洋理工大学-微众银行金融科技联合研究院);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly(南洋理工大学-不列颠哥伦比亚大学老年人积极生活联合卓越研究中心)
针对现有联邦知识图谱嵌入忽略客户端语义差异、嵌入质量受限的问题,提出基于客户端关系图的个性化方法PFedEG,通过邻近客户端亲和度融合生成个性化补充知识,在四个基准数据集上性能优于现有最优模型。
2024-06-17 cs.AI cs.IR
PARK: Personalized academic retrieval with knowledge-graphs
本文提出PARK方法,通过将学术引文图转换为知识图谱并与神经语言模型共享语义空间,以更完整地建模用户学术兴趣,在多个学术搜索领域中显著提升了检索效果。
2025-07-18 cs.IR
Personal research information system. About developing the methods for searching patent analogs of invention
本文介绍了个人科研信息系统的信息模型和专利类似物检索方法。
2018-03-05 cs.DL cs.IR
From "Strings" to "Things" for Personal Knowledge Graphs: Evaluating LLM Triple Extraction for Recommendation Systems
本文提出一种可复现的流水线,利用轻量级大语言模型从对话数据中提取结构化用户偏好三元组,构建个人知识图谱,并评估其在推荐任务中的效用。
2026-07-02 cs.AI cs.IR
Trust from the past: Bayesian Personalized Ranking based Link Prediction in Knowledge Graphs
Pacific Northwest National Laboratory(太平洋西北国家实验室);Washington State University(华盛顿州立大学)
链接预测,即根据知识图谱中的链接的存在状态预测其可能性,是一项关键的研究任务。它与传统的链接预测任务的不同之处在于,知识图中的链接被分类为不同的谓词,并且知识图谱中的不同谓词的链接预测性能通常变化很大。在这项工作中,我们提出了一个潜在的特征嵌入为基础的链接预测模型,认为预测任务的每个谓词分开。为了学习模型参数,它利用基于贝叶斯个性化排名的优化技术。大规模的知识库,如YAGO2的实验结果表明,我们的链接预测方法实现了更高的性能比几个国家的最先进的方法。我们还表明,对于一个给定的谓词的知识图的拓扑性质所引起的给定的谓词边缘的链接预测性能的关键指标,该谓词在知识图谱。
2016-02-15 cs.AI cs.IR cs.LG
PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents
Skoltech(斯科尔科沃科学技术学院);Public Joint Stock Company “Sberbank of Russia”(俄罗斯联邦储蓄银行);AIRI(人工智能研究所)
本文提出基于知识图谱的灵活外部记忆框架,通过自动构建和更新图谱提升个性化LLM代理的长期交互能力,通过多种检索机制验证了不同配置在不同任务中的最优性能。
2026-04-12 cs.CL cs.IR
A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization
The University of Hong Kong(香港大学);Northeastern University(东北大学);Stanford University(斯坦福大学)
本文提出KGSR-ADS系统,通过知识图谱与深度学习结合,实现广告检索与个性化推荐的高效语义匹配和大规模检索。
2025-12-25 cs.AI cs.IR cs.LG
Ten Questions in Lifelog Mining and Information Recall
随着科技的进步,人们习惯于通过写博客、上传社交媒体帖子、拍照或拍摄视频来记录他们的日常生活事件。这种丰富的个人信息库对于支持人类生活援助是有用的。主要的挑战是如何存储和管理来自各种来源的个人知识。在这份立场文件中,我们提出了一个研究议程挖掘个人知识从各种来源的生活日志,个人知识库建设,和信息回忆,以帮助人们回忆他们的经验。
2020-05-04 cs.IR cs.SI
GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation
提出KnowLP方法,利用GraphRAG构建包含先决和相似关系的双知识结构图,结合判别学习驱动的强化学习模块,解决学习路径推荐中依赖先决关系导致的泛化性差和路径阻塞问题,在三个基准数据集上达到最优性能并提供可解释推理。
2025-08-06 cs.IR
Personalized Deep Research: A User-Centric Framework, Dataset, and Hybrid Evaluation for Knowledge Discovery
City University of Hong Kong(香港城市大学);Huawei Technologies Ltd.(华为技术有限公司)
本文提出PDR框架,结合用户上下文动态调整检索深度和广度,通过混合评估方法提升检索效用和报告相关性,验证了个性化知识获取的可行性。
2026-05-11 cs.IR
Life-Bench: A Benchmark and Knowledge Graph Framework for Multimodal Personalization Beyond Concept Recognition
Google(谷歌);DeepMind(深Mind)
本文提出Life-Bench基准和LifeGraph框架,用于解决高级多模态个性化研究中的复杂任务挑战。
2026-10-01 cs.AI cs.CL cs.CV
Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation
将知识图谱(KGs)作为推荐中的辅助信息近来引起了相当大的关注。尽管在一般推荐场景中取得了成功,但是现有方法对于其中用户与非常有限的交互信息相关联的冷启动问题可能达不到性能满意度。由于传统的方法依赖于探索的互动拓扑结构,但他们可能无法捕捉足够的信息,在冷启动的情况下。为了缓解这个问题,我们提出了一种新的知识感知的神经网络与个性化特征引用机制,即KPER。与大多数现有方法不同的是,这些方法简单地从KG中丰富目标的语义,例如,产品属性,KPER利用KG作为“语义桥”来提取冷启动用户或项目的特征引用。具体来说,给定冷启动目标,KPER首先探测语义相关但不一定结构上接近的用户或项目作为自适应种子用于引用特征。然后引入门控信息聚合模块来学习冷启动用户和项目的组合潜在特征。我们在四个真实世界数据集上的广泛实验表明,KPER在冷启动场景中始终优于所有竞争方法,同时在一般场景中保持优越性而不影响整体性能,例如,通过在Top-10建议中的所有数据集上实现0.81%-16.08%和1.01%-14.49%的性能改进。
2022-09-28 cs.IR
A Capsule Network-based Embedding Model for Knowledge Graph Completion and Search Personalization
Monash University(莫纳什大学);The Australian e-Health Research Centre, CSIRO(澳大利亚联邦科学与工业研究组织澳大利亚电子健康研究中心);The University of Melbourne(墨尔本大学)
在本文中,我们介绍了一个嵌入模型,名为CapsE,探索胶囊网络模型的关系三元组(主体,关系,对象)。我们的CapsE将每个三元组表示为3列矩阵,其中每个列向量表示三元组中元素的嵌入。然后将这个3列矩阵馈送到卷积层,在卷积层中操作多个滤波器以生成不同的特征图。这些特征图被重建成相应的胶囊,然后被路由到另一个胶囊以产生连续的向量。该向量的长度用于测量三元组的可扩展性得分。我们提出的CapsE在两个基准数据集WN 18 RR和FB 15 k-237上获得了比以前最先进的知识图谱完成嵌入模型更好的性能,并在SEARCH 17上优于强搜索个性化基线。
2019-03-06 cs.CL cs.IR
Personalized Academic Research Paper Recommendation System
Georgia Institute of Technology(佐治亚理工学院)
现在,大量的学术论文来自许多会议和期刊。在这种情况下,大多数研究人员依靠基于关键字的搜索或浏览顶级会议和期刊的会议记录来找到他们的相关工作。为了缓解这个困难,我们提出了一个个性化的学术研究论文推荐系统,推荐相关的文章,为每个研究人员,这可能是她/他感兴趣的。在本文中,我们首先介绍了我们的网络爬虫检索研究论文从网上。然后,我们定义了两篇研究论文之间的相似度的基础上,他们之间的文本相似度。最后,我们提出了我们的推荐系统开发使用协同过滤方法。我们的评估结果表明,我们的系统推荐高质量的研究论文。
2013-04-19 cs.DL cs.IR cs.LG
Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation
The Chinese University of Hong Kong(香港中文大学);Microsoft Research Asia(微软亚洲研究院);Carnegie Mellon University(卡内基梅隆大学)
为了解决传统推荐系统的数据稀疏性和冷启动问题,引入知识图谱来补充辅助信息成为近年来的研究热点。然而,在现有的基于KG的RS模型中,简单地集成KG并不一定能保证提高推荐性能,这甚至可能削弱整体模型的能力。这是因为这些KG的构建独立于历史用户-项目交互的收集;因此,这些KG中的信息可能并不总是有助于向所有用户推荐。在本文中,我们提出了专注的知识感知的图卷积网络与个性化推荐的协作指导(CG-KGR)。CG-KGR是一种新的知识感知推荐模型,通过我们提出的协作指导机制,可以充分和一致地学习知识组和用户-项目交互。具体来说,CG-KGR首先将历史交互封装为交互式信息摘要。然后CG-KGR利用它作为指导,以提取信息的KG,最终提供更精确的个性化推荐。我们在四个真实世界的数据集上进行了两个推荐任务的广泛实验,即,Top-K推荐和点击率(CTR)预测。实验结果表明,CG-KGR模型在Top-K推荐的召回度量方面显著优于最近的最先进的模型1.4-27.0%。
2022-01-02 cs.AI cs.IR
Building Contextual Knowledge Graphs for Personalized Learning Recommendations using Text Mining and Semantic Graph Completion
本文提出用定制文本挖掘流水线将专家层级模型转换为学习对象知识图谱,并通过图指标与专家语义关系对比验证其可改善上下文表示与链接,为个性化学习路径推荐提供基础。
2024-01-24 cs.IR
Hierarchical Attentive Knowledge Graph Embedding for Personalized Recommendation
Nanyang Technological University(南洋理工大学);Macquarie University(麦考瑞大学)
事实证明,知识图谱(KG)对于高质量推荐是有效的,其中用户和项目之间的连接性为用户与项目的交互提供了丰富且互补的信息。然而,大多数现有的方法,是不足以利用的KG捕捉用户的喜好,因为他们要么表示用户项目的连接性通过路径有限的表现力或隐式地通过传播信息在整个KG不可避免的噪声模型。在本文中,我们设计了一个新的分层注意知识图谱嵌入(HAKG)框架,利用知识图谱进行有效的推荐。具体来说,HAKG首先提取的表达子图,链接用户项目对,以表征其连接性,这既容纳语义和拓扑结构的KG。然后,通过分层关注子图编码对子图进行编码,以生成用于增强的用户偏好预测的有效子图嵌入。大量的实验表明,HAKG对国家的最先进的推荐方法的优越性,以及其在缓解数据稀疏性问题的潜力。
2021-09-15 cs.IR cs.LG
An Ecosystem for Personal Knowledge Graphs: A Survey and Research Roadmap
University of Stavanger(斯塔万格大学)
本文提出个人知识图谱(PKG)的统一定义与生态系统框架,综述现有工作并映射至该框架,识别了填充、表示管理及利用方面的开放挑战与研究机会。
2024-03-15 cs.AI cs.IR