This paper has been withdrawn as we discovered a bug in our tensorflow implementation that involved accidental mixing of vectors across batches. This lead to different inference results given different batch sizes which is completely strange. The performance scores still remain the same but we concluded that it was not the self-attention that contributed to the performance. We are withdrawing the paper because this renders the main claim of the paper false. Thanks to Guan Xinyu from NUS for discovering this issue in our previously open source code.
翻译：本文被撤回, 因为我们发现我们的抗龙流实施中有一个错误, 涉及到不同批次的矢量的意外混合。 这导致不同批次大小的不同的推论结果完全奇怪。 性能评分仍然保持不变, 但我们的结论是, 并不是出于自我注意才促成业绩的。 我们撤回了该文件, 因为这使得纸张的主要主张是假的。 感谢纽西兰州广新州公司在先前的开放源码中发现了这个问题 。
相关内容
协同过滤（英语：Collaborative Filtering），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人透过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比（rating）或者群体过滤（social filtering）。其后成为电子商务当中很重要的一环，即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”，也就是借由社群的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外，近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据，也许不是百分之百完全准确，但由于加入了强弱的评比让这个概念的应用更为广泛，除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。
InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions
Arxiv
12+阅读 · 2019年11月1日
Arxiv
7+阅读 · 2018年3月26日
Arxiv
6+阅读 · 2018年3月15日
相关主题
相关VIP内容
相关资讯
相关论文
InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions
Arxiv
12+阅读 · 2019年11月1日
Arxiv
7+阅读 · 2018年3月26日
Arxiv
6+阅读 · 2018年3月15日
微信扫码咨询专知VIP会员