1 前言

2 HGMF: Heterogeneous Graph-based Fusion for Multimodal Data with Incompleteness

该论文提出了一种新的解决模态数据缺失的方法。

3 Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

附录A：概念说明

sentiment analysis: 情感分析

emotion recognition ： 情绪识别

disease diagnosis：疾病诊断

semi-supervised learning ： 半监督学习

学习算法不需要人工干预，基于自身对未标记数据的利用提高模型的泛化能力

一般认为半监督学习分为纯监督学习（pure semi-supervised learning）和直推式学习（transductive learning）

transductive learning framework: 直推式学习框架

直推学习是指通过观察特定的训练样本，进而预测特定测试样本的方法

直推学习和半监督学习一样，不需要人工干预，不同之处在于直推学习假设未标记的数据即最终用来测试的数据，其目的是在这些数据上具有最佳的泛化能力，而半监督学习则是学习时不知道最终的测试用例是什么，直推式学习可以看做半监督学习的一个特例

同时使用训练样本和测试样本训练模型，然后使用测试样本来测试模型效果

inductive learning： 归纳式学习

从训练样本中学习规则然后应用于测试样本中，常用的监督学习就是归纳学习

early fusion：在特征上（future level）上进行融合，进行不同特征的连接，输入到一个分类器模型中进行训练，融合发生在特征之间

late fusion：也叫作decision fusion,指的是在预测分数（score-level）上进行融合，做法是训练多个模型每一个模型都会有相应的预测评分，对所有的模型结果进行fusion，得到最后的预测结果。在这类融合的过程中不同的特征使用不同的分类器模型进行特征分类

相关论文：

  • Select-additive learning: Improving generalization in multimodal sentiment analysis
  • Mosi: multimodal corpus of sentiment intensity and subjectivity analysis in online opinion videos

graph-based late fusion： 基于图的late fusion