论文笔记整理：谭亦鸣，东南大学博士。 来源：WSDM ’20 链接： https://dl.acm.org/doi/pdf/10.1145/3336191.3371812   1.介绍 知识图谱问答旨在利用知识图谱的结构化信息回答以自然语言提出的问题。当面对多关系问题时，现有基于embedding的方法所采用的构建主题实体子图策略会导致较高的时间复杂，同时，由于数据标注的高成本，精确地给出回

作者：李一鸣 张兆 中科院计算所 会话式多文档问答旨在根据检索到的文档以及上下文对话来回答特定问题。 在本文中，我们介绍了 WSDM Cup 2024 中“对话式多文档 QA”挑战赛的获胜方法，该方法利用了大型语言模型 (LLM) 卓越的自然语言理解和生成能力。 在方案中，首先让大模型适应该任务，然后设计一种混合训练策略，以充分利用领域内的未标记数据。 此外，采用先进的文本嵌入模型来过滤掉潜

本文提出了一种简单而有效的基于LLMs的图数据增强策略，称为LLMRec，以增强基于内容的推荐系统。LLMRec包含三种数据增强策略和两种去噪策略。数据增强策略包括从文本自然语言的角度挖掘潜在的协同信号, 构建用户画像(LLM-based), 并强化item side information(LLM-based)。去噪则是分别针对增强的边和特征来进行drop和masked auto-encoder

ArXiv.org 【自然语言处理：ACL、EMNLP、NAACL、Coling】 【计算机视觉：ICCV、CVPR】 【机器学习：ICML、NIPS、UAI、AISTATS】 【深度学习：ICLR】 【数据挖掘：KDD、WSDM】 【人工智能：IJCAI、AAAI】 【图神经网络：KDD】 期刊：Computational Linguistics、TACL Tutorial Session：领

©PaperWeekly 原创 · 作者 | 张三岁 论文标题： S2GAE: Self-Supervised Graph Autoencoders Are Generalizable Learners with Graph Masking 论文链接： https://dl.acm.org/doi/pdf/10.1145/3539597.3570404 文章来源： WSDM 2023 Ba