【传知代码】知识图谱推理-论文复现
本文探讨了基于图神经网络（GNN）的知识图谱推理，提出了一种创新的自适应传播策略AdaProp，旨在解决大规模知识图谱处理中的效率和准确性问题。AdaProp通过动态调整传播路径，优化了传统GNN方法。研究在KDD '23会议上发表，提供了tensorboard可视化结果和开源代码。实验表明，AdaProp在效率和性能上超越了传统方法，如全传播、渐进式传播和受限传播。通过Python和PyTorch实现， AdaProp在多个数据集上展示了优秀性能，为知识图谱推理领域开辟了新思路。
B端Agent的机会，不在于“助手”，而在基于垂直领域的任务式Agent微调
该文讨论了AI助手在企业服务中的应用，指出通用的“助手”Agent（如Coze、钉钉）在B端业务场景中表现一般，因为它们依赖用户正确指导且易发散。相比之下，任务式Agent（如TFlow）针对特定行业和场景进行微调，能更好地理解和执行复杂任务，具有更高准确性和稳定性，适合企业业务流程。TFlow的优势包括场景微调、优化流程处理，开发和使用成本较低，能直接解决实际业务问题。作者认为，B端Agent的机会在于为企业降低成本或增加效益，而任务式Agent通过微调形成的适配性成为其核心竞争力。