[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hwwang55--KGCN":3,"tool-hwwang55--KGCN":65},[4,18,32,41,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,2,"2026-04-10T11:13:16",[15,16,27,28,13,29,30,14,31],"视频","插件","其他","语言模型","音频",{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":38,"last_commit_at":39,"category_tags":40,"status":17},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[30,16,29],{"id":42,"name":43,"github_repo":44,"description_zh":45,"stars":46,"difficulty_score":38,"last_commit_at":47,"category_tags":48,"status":17},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[29,15,16,14],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":38,"last_commit_at":55,"category_tags":56,"status":17},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65767,"2026-04-11T11:10:05",[14,29,16],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":24,"last_commit_at":63,"category_tags":64,"status":17},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[14,16,29],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":99,"github_topics":100,"view_count":24,"oss_zip_url":83,"oss_zip_packed_at":83,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":147},6961,"hwwang55\u002FKGCN","KGCN","A tensorflow implementation of Knowledge Graph Convolutional Networks","KGCN 是一个基于 TensorFlow 实现的开源项目，专为推荐系统打造。它巧妙地将知识图谱（Knowledge Graph）与图卷积网络（GCN）技术相结合，旨在解决传统推荐算法中数据稀疏和冷启动等难题。通过挖掘知识图谱中丰富的实体关系，KGCN 能够更精准地捕捉用户兴趣与物品间的深层关联，从而显著提升推荐的准确性和可解释性。\n\n这款工具特别适合从事推荐系统研究的研究人员、需要构建高性能推荐引擎的算法工程师，以及对图神经网络应用感兴趣的开发者。其核心亮点在于利用图卷积操作在知识图谱上进行信息传播与聚合，不仅保留了结构化数据的语义信息，还有效增强了模型对用户潜在偏好的推理能力。项目代码结构清晰，内置了电影（MovieLens）和音乐（Last.FM）两大经典数据集的处理脚本与运行示例，方便用户快速复现论文结果或在此基础上进行二次开发。无论是学术探索还是工业界落地，KGCN 都为利用知识图谱优化推荐效果提供了一个坚实可靠的基线方案。","# KGCN\n\nThis repository is the implementation of [KGCN](https:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3313417) ([arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.12575)):\n\n> Knowledge Graph Convolutional Networks for Recommender Systems  \nHongwei Wang, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo.  \nIn Proceedings of The 2019 Web Conference (WWW 2019)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhwwang55_KGCN_readme_a96d65809621.png)\n\nKGCN is **K**nowledge **G**raph **C**onvolutional **N**etworks for recommender systems, which uses the technique of graph convolutional networks (GCN) to proces knowledge graphs for the purpose of recommendation.\n\n\n### Files in the folder\n\n- `data\u002F`\n  - `movie\u002F`\n    - `item_index2entity_id.txt`: the mapping from item indices in the raw rating file to entity IDs in the KG;\n    - `kg.txt`: knowledge graph file;\n  - `music\u002F`\n    - `item_index2entity_id.txt`: the mapping from item indices in the raw rating file to entity IDs in the KG;\n    - `kg.txt`: knowledge graph file;\n    - `user_artists.dat`: raw rating file of Last.FM;\n- `src\u002F`: implementations of KGCN.\n\n\n\n\n### Running the code\n- Movie  \n  (The raw rating file of MovieLens-20M is too large to be contained in this repository.\n  Download the dataset first.)\n  ```\n  $ wget http:\u002F\u002Ffiles.grouplens.org\u002Fdatasets\u002Fmovielens\u002Fml-20m.zip\n  $ unzip ml-20m.zip\n  $ mv ml-20m\u002Fratings.csv data\u002Fmovie\u002F\n  $ cd src\n  $ python preprocess.py -d movie\n  ```\n- Music\n  - ```\n    $ cd src\n    $ python preprocess.py -d music\n    ```\n  - open `src\u002Fmain.py` file;\n    \n  - comment the code blocks of parameter settings for MovieLens-20M;\n    \n  - uncomment the code blocks of parameter settings for Last.FM;\n    \n  - ```\n    $ python main.py\n    ```\n","# KGCN\n\n本仓库是 [KGCN](https:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3313417) ([arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.12575)) 的实现：\n\n> 面向推荐系统的知识图卷积网络  \nHongwei Wang, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo.  \n载于 2019 年万维网大会论文集 (WWW 2019)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhwwang55_KGCN_readme_a96d65809621.png)\n\nKGCN 是面向推荐系统的**知**识**图**卷**积**网络，它利用图卷积网络（GCN）技术处理知识图谱，以实现推荐目的。\n\n\n### 文件夹中的文件\n\n- `data\u002F`\n  - `movie\u002F`\n    - `item_index2entity_id.txt`: 原始评分文件中物品索引到知识图谱实体 ID 的映射；\n    - `kg.txt`: 知识图谱文件；\n  - `music\u002F`\n    - `item_index2entity_id.txt`: 原始评分文件中物品索引到知识图谱实体 ID 的映射；\n    - `kg.txt`: 知识图谱文件；\n    - `user_artists.dat`: Last.FM 的原始评分文件；\n- `src\u002F`: KGCN 的实现代码。\n\n\n\n\n### 运行代码\n- 电影  \n  （MovieLens-20M 的原始评分文件过大，无法包含在本仓库中。\n  请先下载数据集。）\n  ```\n  $ wget http:\u002F\u002Ffiles.grouplens.org\u002Fdatasets\u002Fmovielens\u002Fml-20m.zip\n  $ unzip ml-20m.zip\n  $ mv ml-20m\u002Fratings.csv data\u002Fmovie\u002F\n  $ cd src\n  $ python preprocess.py -d movie\n  ```\n- 音乐\n  - ```\n    $ cd src\n    $ python preprocess.py -d music\n    ```\n  - 打开 `src\u002Fmain.py` 文件；\n    \n  - 注释掉 MovieLens-20M 的参数设置代码块；\n    \n  - 解除 Last.FM 参数设置代码块的注释；\n    \n  - ```\n    $ python main.py\n    ```","# KGCN 快速上手指南\n\nKGCN (Knowledge Graph Convolutional Networks) 是一个基于图卷积网络处理知识图谱，用于推荐系统的开源项目。本指南将帮助你快速在本地运行该模型。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 用户建议使用 WSL 或 Docker)\n*   **Python**: Python 3.6 或更高版本\n*   **核心依赖**:\n    *   TensorFlow (推荐 1.x 版本，具体视 `src` 目录下代码导入情况而定)\n    *   NumPy\n    *   Pandas\n*   **工具**: `wget`, `unzip` (用于下载和解压数据集)\n\n建议先安装基础依赖：\n```bash\npip install numpy pandas tensorflow\n```\n\n## 安装步骤\n\n本项目无需复杂的编译安装，直接克隆仓库即可使用。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN.git\n    cd KGCN\n    ```\n\n2.  **验证目录结构**\n    确保 `data\u002F` (存放数据) 和 `src\u002F` (存放源码) 文件夹存在。\n\n## 基本使用\n\nKGCN 提供了 MovieLens (电影) 和 Last.FM (音乐) 两个数据集的示例。由于 MovieLens-20M 数据集较大，需手动下载；Last.FM 数据通常较小或需自行确认完整性。\n\n### 场景一：运行电影推荐 (MovieLens-20M)\n\n由于原仓库未包含巨大的评分文件，需先下载并预处理。\n\n1.  **下载并准备数据**\n    ```bash\n    wget http:\u002F\u002Ffiles.grouplens.org\u002Fdatasets\u002Fmovielens\u002Fml-20m.zip\n    unzip ml-20m.zip\n    mv ml-20m\u002Fratings.csv data\u002Fmovie\u002F\n    ```\n    > **提示**: 如果下载速度慢，可尝试寻找国内镜像源（如清华源、阿里源）托管的 ml-20m 数据集。\n\n2.  **执行预处理**\n    进入源码目录并运行预处理脚本，生成模型所需的映射文件和知识图谱输入：\n    ```bash\n    cd src\n    python preprocess.py -d movie\n    ```\n\n3.  **训练模型**\n    确保 `src\u002Fmain.py` 中使用的是 MovieLens 的参数配置（默认通常即为该配置，若被修改请取消对应注释），然后运行：\n    ```bash\n    python main.py\n    ```\n\n### 场景二：运行音乐推荐 (Last.FM)\n\n1.  **执行预处理**\n    ```bash\n    cd src\n    python preprocess.py -d music\n    ```\n\n2.  **调整参数配置**\n    打开 `src\u002Fmain.py` 文件，进行以下修改：\n    *   **注释掉** MovieLens-20M 相关的参数设置代码块。\n    *   **取消注释** Last.FM 相关的参数设置代码块。\n\n3.  **训练模型**\n    ```bash\n    python main.py\n    ```\n\n运行成功后，终端将输出训练过程中的损失值 (Loss) 及评估指标 (如 AUC, ACC 等)。","某在线音乐平台的数据团队正致力于提升个性化推荐系统的准确率，试图解决用户在新歌发现上的“冷启动”难题。\n\n### 没有 KGCN 时\n- 推荐系统仅依赖用户历史听歌记录，一旦用户收听数据稀疏，模型就无法捕捉其潜在兴趣，导致新歌推荐几乎失效。\n- 传统的协同过滤算法将歌曲视为孤立节点，完全忽略了歌曲与歌手、流派、专辑之间丰富的语义关联，难以挖掘深层偏好。\n- 面对海量物品，模型缺乏可解释性，运营人员无法理解为何向用户推荐某首冷门歌曲，难以进行策略调优。\n- 数据噪声干扰严重，单纯基于评分矩阵的预测容易过拟合热门歌曲，导致长尾优质内容永远无法触达目标听众。\n\n### 使用 KGCN 后\n- KGCN 利用知识图谱卷积网络，将歌曲、艺人、风格等实体构建成图结构，即使新用户数据稀少，也能通过图谱邻居节点推断其兴趣。\n- 通过多层图卷积聚合高阶连通性信息，KGCN 能精准捕捉“喜欢某独立摇滚歌手”的用户可能也偏爱特定地下音乐节这类隐性关联。\n- 推荐结果具备天然的可解释路径（如：因为你喜欢 A 歌手，而 A 与 B 同属一个流派且合作过），帮助团队快速验证推荐逻辑。\n- 有效缓解了数据稀疏和噪声问题，显著提升了长尾音乐的曝光率，让小众佳作能更准确地匹配给潜在爱好者。\n\nKGCN 的核心价值在于将离散的用户行为数据与丰富的知识图谱深度融合，用图神经网络技术打破了传统推荐系统在语义理解和冷启动场景下的瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhwwang55_KGCN_0d1211b7.png","hwwang55","Hongwei Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhwwang55_5c9b5e5d.jpg","Graph neural networks, knowledge graphs, recommender systems","Tencent AI Lab Seattle","Bellevue, WA","wanghongwei55@gmail.com",null,"https:\u002F\u002Fhongweiw.net","https:\u002F\u002Fgithub.com\u002Fhwwang55",[87],{"name":88,"color":89,"percentage":90},"Python","#3572A5",100,528,152,"2026-04-08T08:55:30","MIT","未说明",{"notes":97,"python":95,"dependencies":98},"README 中未明确列出具体的操作系统、GPU、内存、Python 版本及依赖库要求。运行前需手动下载 MovieLens-20M 或 Last.FM 数据集，并根据使用的数据集在 src\u002Fmain.py 中切换相应的参数配置代码块（注释\u002F取消注释）。代码包含数据预处理步骤（preprocess.py）。",[95],[16],[101,102,103],"recommender-systems","knowledge-graph","graph-convolutional-networks","2026-03-27T02:49:30.150509","2026-04-13T06:11:51.540434",[107,112,117,122,127,132,137,142],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},31378,"代码是基于哪个版本的 TensorFlow 构建的？","该仓库可以在 TensorFlow 1.4.0 版本上运行。虽然实验是在 TF 1.12.0 上进行的，但任何 1.x 版本通常都可以正常使用。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F31",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},31377,"如果增加了新用户，整个模型是否需要重新训练？","这不属于 KGCN 的核心研究范围，但有一个简单的解决办法：可以使用一个多层感知机（MLP）来处理用户的属性，从而输出该用户的 embedding。这样就不需要为了每个新用户重新训练整个模型。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F25",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},31379,"kg.txt 知识图谱数据文件是从哪里获取的？","kg.txt 文件提取自 Satori，这是微软内部的一个知识图谱。由于它是内部数据，外部用户无法直接访问 satori.com 网站下载，通常需要自行构建或使用其他公开的知识图谱替代。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F13",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},31380,"预测时为什么输入数据量必须与训练时的 batch_size 一致？","这是因为模型代码中使用了固定的 batch_size 变量进行 reshape 操作。如果需要支持任意 batch_size 进行预测，需要修改代码中与 reshape 和 batch_size 相关的硬编码逻辑，将其改为动态形状。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F11",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},31381,"当实体和关系数量巨大时，如何优化 L2 正则化损失的计算量？","理论上可以优化为只计算当前 minibatch 中涉及到的实体（entity）和关系（relation）的 L2 损失，而不是对整个巨大的 embedding 矩阵进行计算，这样可以显著降低资源消耗。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F18",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},31382,"计算用户 - 关系得分（user-relation score）时应该用 reduce_sum 还是 reduce_mean？","如果按照论文描述使用内积（inner product）操作，这里应该使用 `tf.reduce_sum` 而不是 `tf.reduce_mean` 来计算 user_relation_scores。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F10",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},31383,"KGNN_LS 中的 interaction_hashtable 是否需要参与反向传播？","interaction_hashtable 不需要参与反向传播。在分布式训练中，可以单独构建该表，而不必将其放入 PS-server 中进行存储和更新，从而节省资源。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F19",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},31384,"论文中的 Embedding 向量是预先定义的还是学习出来的？","是的，模型中的 Embedding 向量（包括用户、实体和关系）都是通过训练过程学习出来的参数，而不是预先固定不变的。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FKGCN\u002Fissues\u002F16",[]]