协作过滤通常存在真正推荐方案中的稀疏性和冷启动问题，因此，研究人员和工程师通常使用侧面信息来解决问题并提高推荐系统的性能。在本文中，我们认为知识图形作为侧面信息的来源。我们提出MKR，knowledge图的{M} Ulti-Task特征学习方法增强Remecencation。 MKR是一个深度端到端的框架，利用知识图形嵌入任务来帮助推荐任务。这两个任务由交叉& compress单元相关联，它自动共享潜在特征，并在知识图中的推荐系统和实体中的项目之间学习高阶交互。我们证明交叉＆Compress单元具有足够的多项式近似能力，并且显示MKR是几种推荐系统和多任务学习方法的推广框架。通过对现实世界数据集的广泛实验，我们展示了MKR在最先进的基线上实现了电影，书籍，音乐和新闻推荐的大量收益。即使用户项交互稀疏，MKR也能够保持体面的性能。

Proactive Human-Machine Coversation with Explicit Conversation Goals ACL 2019 一、动机 人机对话是人工智能的一项基本挑战，涉及语言理解、对话控制和语言生成等关键技术，受到了学术界和工业界的广泛关注。但目前的人机对话普遍存在以下问题： 机器大多是被动对话形式，即机器的回复是用于响应用户的输入，无法像人一样进行充分的信息交互 机器的对话漫无目的，缺乏像人一样的自主意识 因此，我们提出了主动对话任务： 给机器设定对话目标 让机器...