用于学习社交知识图谱的多模态贝叶斯嵌入
计算与语言
2016-04-21 v2 社会与信息网络
摘要
我们研究了在线社交网络与开放知识库相连的程度。该问题被称为学习社交知识图谱。我们提出了一种多模态贝叶斯嵌入模型 GenVector，用于学习生成词嵌入与网络嵌入的潜在主题。GenVector 利用带有嵌入的大规模未标记数据，并将两种模态的数据——即社交网络用户与知识概念——表示在一个共享的潜在主题空间中。在三个数据集上的实验表明，所提方法明显优于最先进的方法。随后我们将该方法部署于 AMiner，一个拥有 38,049,189 名研究者网络和 35,415,011 个概念知识库的大规模在线学术搜索系统。我们的方法在面向真实用户的在线 A/B 测试中显著降低了错误率。
引用
@article{arxiv.1508.00715,
title = {Multi-Modal Bayesian Embeddings for Learning Social Knowledge Graphs},
author = {Zhilin Yang and Jie Tang and William Cohen},
journal= {arXiv preprint arXiv:1508.00715},
year = {2016}
}