Please enable JavaScript.

Coggle requires JavaScript to display documents.

大论文 (第一章 (绪论，背景描述主要描述研究点的价值以及现在的重要程度 (国内外研究现状 (知识表示学习现状，以TransE翻译模型为代表，…

- - - - 知识图谱应用与发展，现有知识图谱结构化表示，与其他应用相结合的能力
    - - 知识表示学习现状，以TransE翻译模型为代表，张量分解，ntn模型等，可分为结构化学习，融合文本信息的学习，罗列近期工作以及不足
      - 推荐系统，传统推荐系统算法，CTR预估，结合知识图谱的推荐系统算法，深度学习推荐系统算法
    - - 根据融合文本信息的知识表示学习模型现有的问题提出 ETRL 算法
        构建知识图谱融合deepFM算法提出新的deepFM-T算法优化deepFM模型
- - - - 相关研究
      - 链接预测任务，实体分类任务
      - 知识库定义
    - - 推荐系统
        
        传统方法介绍： CF，MF
        
        结合知识图谱方法
      - CTR预估任务
        
        方法简介 LR FM FNN DeepFM
        
        CTR（click through rate) 预估任务，是指给定一个用户和商品，该用户会点击该商品的概率。在推荐系统、搜索引擎、计算广告学领域中，CTR预估都占有举足轻重的位置。相对于用户浏览、购买等其他行为，用户点击行为（click）是判断用户对该商品是否感兴趣的最简单直接的表现方式，所以CTR预估技术被大量的运用在了商品推荐、新闻推荐、广告推荐等系统中，是推荐系统的一个重要任务。传统用于解决CTR预估问题的模型主要有逻辑回归（Logistic Regression，LR）和分解机（Factorization Machines，FM）等，而随着深度神经网络模型（Deep NN）在处理高阶特征和特征抽象学习中展现出了惊人的表现，近期也有越来越多的研究工作将重点放在了深度学习模型在CTR预估任务的应用上。下文将简要介绍CTR预估处理的相关的经典算法以及最新的一些研究成果。
        
        LR
        
        FM
- - - - 现有研究存在问题（TEKE, DKRL等）
        词级字符表示Wang
        文档级字符表示
        远程监督
        数据库内现有文本
    - - 文本信息学习
      - 主题模型
      - 结构信息学习
      - 远程监督训练与联合学习
    - - 知识图谱补全任务
      - 实体分类任务
- - - - CTR预估传统方法，FM，DeepFM
        类似deep&wide算法， FM学习二层特征，DNN学习高层特征
    - - 外部强化，无向图GCN，知识图谱TransR
      - 其他结构调整
      - embedding层修改为结构信息
    - - CTR预估（AUC，acc）