NeurlPS2021中知识图谱与推荐系统相关论文如下：知识图谱相关论文Probabilistic Entity Representation Model for Reasoning over Knowledge Graphs：提出一种用于知识图谱推理的概率实体表示模型，通过概率建模增强实体在知识图谱中的语义表示能力，为复杂推理任务提供更灵活的框架。ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs：引入锥体嵌入（Cone Embeddings）技术，针对知识图谱中的多跳推理问题，通过几何空间中的锥体结构捕捉实体间的层次关系，提升长距离推理的准确性。INDIGO: GNN-Based Inductive Knowledge Graph Completion Using Pair-Wise Encoding：基于图神经网络（GNN）提出归纳式知识图谱补全方法，采用成对编码策略处理未见过的实体或关系，实现知识图谱的动态扩展能力。Auto-Encoding Knowledge Graph for Unsupervised Medical Report Generation：设计自编码知识图谱框架，通过无监督学习从医疗知识图谱中提取结构化信息，自动生成符合医学规范的报告文本。SalKG: Learning From Knowledge Graph Explanations for Commonsense Reasoning：提出从知识图谱解释中学习公理推理的方法，利用图结构中的显式逻辑关系增强常识推理的可靠性，解决传统方法依赖人工规则的问题。Rot-Pro: Modeling Transitivity by Projection in Knowledge Graph Embedding：在知识图谱嵌入中引入投影机制建模传递性关系，通过几何变换捕捉实体间隐含的层级传递规律，提升关系预测的泛化能力。Learning Knowledge Graph-based World Models of Textual Environments：构建基于知识图谱的文本环境世界模型，将非结构化文本转化为图结构表示，为自然语言处理任务提供可解释的语义框架。推荐系统相关论文On Component Interactions in Two-Stage Recommender Systems：分析两阶段推荐系统中组件间的交互机制，揭示召回与排序阶段协同工作的关键因素，为优化推荐架构提供理论依据。Leveraging Distribution Alignment via Stein Path for Cross-Domain Cold-Start Recommendation：通过斯坦因路径实现分布对齐，解决跨域冷启动推荐中的数据分布差异问题，提升新用户或新物品的推荐精度。Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation：针对安全跨平台社交推荐场景，提出利用数据稀疏性的方法，在保护用户隐私的同时挖掘潜在社交关系，增强推荐效果。Curriculum Disentangled Recommendation with Noisy Multi-feedback：在噪声多反馈环境下设计课程解耦推荐模型，通过分阶段学习逐步过滤干扰信号，提升推荐系统对复杂用户行为的适应能力。Contextual Recommendations and Low-Regret Cutting-Plane Algorithms：结合语境推荐需求，提出低风险的切割平面算法，在动态环境中优化推荐策略，平衡探索与利用的矛盾。Minimizing Polarization and Disagreement in Social Networks via Link Recommendation：通过链接推荐机制减少社交网络中的两极分化现象，设计算法引导用户关注多样化内容，促进社区意见平衡。A/B Testing for Recommender Systems in a Two-sided Marketplace：针对双边市场中的推荐系统，提出A/B测试框架，评估不同推荐策略对供需双方的影响，为平台运营提供决策支持。NeuroMLR: Robust & Reliable Route Recommendation on Road Networks：开发神经多逻辑回归模型（NeuroMLR），在道路网络中实现稳健可靠的路线推荐，通过融合实时交通数据提升路径规划的准确性。Scalable Neural Data Server: A Data Recommender for Transfer Learning：构建可扩展的神经数据服务器，作为迁移学习的数据推荐器，自动筛选适配源域数据，降低跨任务学习的数据匹配成本。