安全的關(guān)鍵.png)
使用這些基本 REST API 最佳實(shí)踐構(gòu)建出色的 API
為了應(yīng)對(duì)知識(shí)圖中知識(shí)關(guān)系的異構(gòu)性，我們引入了關(guān)系感知知識(shí)嵌入層。這一層的設(shè)計(jì)靈感來(lái)源于圖注意機(jī)制，能夠全面捕捉知識(shí)圖中的各種關(guān)系，避免了手動(dòng)設(shè)計(jì)路徑的局限性。通過(guò)與參數(shù)化注意力矩陣的結(jié)合，實(shí)體和關(guān)系依賴的上下文被投影到特定的表示中。項(xiàng)目與連接實(shí)體間的消息聚合機(jī)制詳述如下：
在知識(shí)聚合過(guò)程中，利用知識(shí)圖中的關(guān)系表示項(xiàng)目和實(shí)體的鄰近實(shí)體，防止過(guò)擬合時(shí)引入了dropout函數(shù)，標(biāo)準(zhǔn)化時(shí)使用_Norm_Max函數(shù)。非參數(shù)權(quán)重矩陣根據(jù)輸入項(xiàng)和實(shí)體表示進(jìn)行定制，并采用LeakyReLU激活函數(shù)。在異構(gòu)知識(shí)聚合前，在知識(shí)圖上實(shí)施了隨機(jī)丟棄操作，以提升推薦系統(tǒng)性能。
對(duì)比學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域取得了顯著成功。KGCL、MCCIK和KGIC等方法是引入對(duì)比學(xué)習(xí)技術(shù)的知識(shí)圖增強(qiáng)推薦方法。但這些方法依賴于隨機(jī)增強(qiáng)或簡(jiǎn)單跨視圖對(duì)比，這會(huì)導(dǎo)致不必要的噪聲和無(wú)關(guān)的補(bǔ)充信息。在知識(shí)圖中，大量語(yǔ)義關(guān)系至關(guān)重要，只有一部分與下游任務(wù)相關(guān)。未處理無(wú)關(guān)知識(shí)會(huì)損害性能。為應(yīng)對(duì)挑戰(zhàn)，建議使用生成模型重建知識(shí)圖子圖，專門(mén)包含相關(guān)關(guān)系。詳細(xì)解釋見(jiàn)3.3節(jié)。構(gòu)建相關(guān)圖后，結(jié)合圖協(xié)作過(guò)濾和異構(gòu)知識(shí)聚合來(lái)編碼用戶和項(xiàng)目表示。我們?cè)O(shè)計(jì)了局部圖嵌入傳播層，靈感來(lái)自LightGCN中的簡(jiǎn)化圖卷積網(wǎng)絡(luò)，描述為：
我們使用xu(l)和xi(l)表示用戶u和項(xiàng)目i在第l個(gè)圖傳播層的編碼表示。鄰近的用戶/項(xiàng)目表示為Nu和Ni。通過(guò)使用多個(gè)圖傳播層，基于圖的協(xié)同過(guò)濾（CF）框架可以捕獲更高階的協(xié)作信號(hào)。在我們的編碼管道中，Gk和Gk’用于異構(gòu)知識(shí)聚合，生成輸入項(xiàng)的特征向量，同時(shí)保留知識(shí)圖的語(yǔ)義信息。這些項(xiàng)目嵌入被進(jìn)一步輸入到基于圖的CF框架中細(xì)化其表示。在創(chuàng)建了兩個(gè)知識(shí)增強(qiáng)的圖視圖后，我們將同一節(jié)點(diǎn)的視圖特定嵌入視為正對(duì)（例如，(x′u, x′′u?)|u ∈ U）。不同節(jié)點(diǎn)的嵌入視為負(fù)對(duì)（例如，(x′u, x′′u?)|u, v ∈U, u≠ v ）。為了實(shí)現(xiàn)這一點(diǎn)，我們定義了一個(gè)對(duì)比損失函數(shù)，旨在最大化正對(duì)之間的一致性并最小化負(fù)對(duì)之間的一致性。對(duì)比損失可以表示為：
使用余弦相似度函數(shù)來(lái)測(cè)量?jī)蓚€(gè)向量之間的相似度，表示為?? (·)。超參數(shù) ??，稱為溫度，用于 softmax 操作。用戶側(cè)的對(duì)比損失為 L???????? ???? ，項(xiàng)目側(cè)的對(duì)比損失為L(zhǎng)???????? ????。通過(guò)結(jié)合這兩個(gè)損失，我們得到自監(jiān)督任務(wù)的目標(biāo)函數(shù)，可以表示為 L???? = L???????? ???? +?L???????? ????
受到擴(kuò)散模型在生成數(shù)據(jù)方面的啟發(fā)，我們提出了一種知識(shí)圖擴(kuò)散模型。該模型旨在從原始知識(shí)圖Gk生成相關(guān)子圖Guncan。模型經(jīng)過(guò)訓(xùn)練，能夠識(shí)別知識(shí)圖中被噪聲破壞的關(guān)系。通過(guò)逐漸引入噪聲到知識(shí)圖譜中的關(guān)系，模擬關(guān)系的損壞。然后，通過(guò)迭代學(xué)習(xí)，目標(biāo)是恢復(fù)原始關(guān)系。這種迭代去噪訓(xùn)練使DiffKG能夠?qū)﹃P(guān)系生成過(guò)程建模，減少噪聲影響。最終，利用恢復(fù)的關(guān)系概率從Gk重建子圖G?? ′。
3.3.1? 噪聲擴(kuò)散過(guò)程
如圖2，知識(shí)圖（KG）擴(kuò)散包含正向和反向兩個(gè)過(guò)程，并可應(yīng)用于知識(shí)圖譜。我們使用鄰接矩陣來(lái)表示知識(shí)圖譜，其中項(xiàng)目與實(shí)體集Σ中的實(shí)體的關(guān)系由二進(jìn)制值指示。前向過(guò)程中，知識(shí)圖譜的原始結(jié)構(gòu)通過(guò)逐步添加高斯噪聲而被破壞，初始狀態(tài)為項(xiàng)目的原始鄰接矩陣。在馬爾可夫鏈中，通過(guò)在T步逐漸添加高斯噪聲，構(gòu)造??1:T。參數(shù)化從?????1到????的過(guò)渡為：
t ∈1,···,T 表示擴(kuò)散步驟，每一步添加的高斯噪聲的規(guī)模由???? ε (0, 1)控制。當(dāng)T→∞時(shí)，狀態(tài)T收斂于標(biāo)準(zhǔn)高斯分布。通過(guò)利用重新參數(shù)化技巧和兩個(gè)獨(dú)立高斯噪聲的可加性，可以從初始狀態(tài)??0推導(dǎo)出狀態(tài)????。過(guò)程描述為：
????可以重新參數(shù)化如下：
為了調(diào)節(jié)噪聲的添加，采用了一個(gè)線性噪聲調(diào)度器，其使用三個(gè)超參數(shù)：??、???????? 和 ?????? 來(lái)實(shí)現(xiàn) 1? ˉ????。線性噪聲調(diào)度器的定義如下：
線性噪聲調(diào)度器使用三個(gè)超參數(shù)：?? ε [0, 1] 控制噪聲尺度，而 ???????? < ?????? ε (0, 1) 設(shè)置添加噪聲的上限和下限。接下來(lái)，擴(kuò)散模型學(xué)習(xí)從 ???? 中去除添加的噪聲，以便使用神經(jīng)網(wǎng)絡(luò)恢復(fù) ?????1。從??T開(kāi)始，逆向過(guò)程通過(guò)去噪過(guò)渡步驟逐漸重建知識(shí)圖譜（KG）內(nèi)的關(guān)系。去噪過(guò)渡步驟概述如下：
我們利用由 ?? 參數(shù)化的神經(jīng)網(wǎng)絡(luò)來(lái)生成高斯分布的均值 ???? (???? , ??) 和協(xié)方差 ???? (???? , ??)。
3.3.2? KG擴(kuò)散過(guò)程的優(yōu)化
為了優(yōu)化模型，我們最大化原始知識(shí)圖關(guān)系的證據(jù)下界（ELBO）。概率擴(kuò)散過(guò)程的優(yōu)化目標(biāo)：log??(??0) ≥ E??(??1 |??0 ) [log???? (??0 |??1)]。
擴(kuò)散模型的優(yōu)化目標(biāo)由兩項(xiàng)組成。第一項(xiàng)衡量0的恢復(fù)概率，代表模型重建原始知識(shí)圖的能力。第二項(xiàng)調(diào)節(jié)反向過(guò)程中 ?? 在 2 到 T 范圍內(nèi)的 ?????1 的恢復(fù)。優(yōu)化目標(biāo)中的第二項(xiàng)旨在通過(guò) KL 散度 D???? (·) 使分布 ???? (???1 |????) 近似于易處理分布 ??(?????1 |???? , 0)。繼[31]之后，步驟??的第二項(xiàng)L??如下：
其中 ????? (???? , ??) 是基于 ???? 和 ?? 來(lái)預(yù)測(cè)的 ??0，由多層感知器 (MLP) 實(shí)現(xiàn)。具體來(lái)說(shuō)，我們使用多層感知器 (MLP) 來(lái)實(shí)例化 ????? (·)，該多層感知器將 ???? 和 ?? 的步驟嵌入作為輸入來(lái)預(yù)測(cè) ??0。我們用 L?? ???????? 表示等式9中第一項(xiàng)的負(fù)值，可按下式計(jì)算：
我們通過(guò)未加權(quán)的-||估計(jì)高斯對(duì)數(shù)似然log??(??0 |??1)????? (1, 1)?0||22。L??????????等于L1，所以方程9中的第一項(xiàng)可以被認(rèn)為是?L1。ELBO可以表示為?L1?ΣT??=2L??。為了最大化ELBO，我們可以通過(guò)最小化ΣT??=1L??來(lái)優(yōu)化????? (?? , ??)中的??。具體來(lái)說(shuō)，我們對(duì)步驟??進(jìn)行統(tǒng)一采樣，以在??～U(1, T)上優(yōu)化L????????。ELBO損失L????????如下所示：
3.3.3? 使用擴(kuò)散模型生成知識(shí)圖
我們?cè)O(shè)計(jì)了一種簡(jiǎn)單的推理策略，用于知識(shí)圖譜中的關(guān)系預(yù)測(cè)，該策略與DiffKG的訓(xùn)練相一致。首先，在前向過(guò)程中逐步破壞原始KG關(guān)系，得到T’。然后，設(shè)置^T = T’并執(zhí)行反向去噪，忽略方差并使用^t-1 = μφ(^t, t)進(jìn)行確定性推理。接下來(lái)，使用^T0重建修改后的KG G’k的結(jié)構(gòu)。對(duì)于每個(gè)項(xiàng)目i，選擇頂部k^zij（j∈[0, |E | – 1], j∈J和|J | = k），并添加項(xiàng)目i和實(shí)體j∈J之間的k關(guān)系。這種方法保留了知識(shí)圖譜的信息結(jié)構(gòu)，同時(shí)在前向過(guò)程中加入噪聲，在反向過(guò)程中加入確定性推理。
3.3.4? 協(xié)同知識(shí)圖卷積（CKGC）
為解決擴(kuò)散模型在生成與下游推薦任務(wù)相關(guān)的去噪知識(shí)圖時(shí)的局限性，我們提出CKGC。該方法利用用戶-項(xiàng)目交互數(shù)據(jù)，將推薦任務(wù)的監(jiān)督信號(hào)融入KG擴(kuò)散優(yōu)化中。通過(guò)聚合用戶項(xiàng)交互數(shù)據(jù)，模型能更好地捕獲用戶偏好，并將其整合到知識(shí)圖中，提高與推薦任務(wù)的相關(guān)性。這種方法將用戶偏好融入知識(shí)圖擴(kuò)散優(yōu)化，有效地彌補(bǔ)了知識(shí)與推薦任務(wù)之間的鴻溝。CKGC的損失函數(shù)L????????通過(guò)將用戶-項(xiàng)目交互信息和知識(shí)圖預(yù)測(cè)關(guān)系概率聚合到項(xiàng)目嵌入生成過(guò)程中來(lái)計(jì)算。具體步驟如下：首先聚合用戶-項(xiàng)目交互信息和知識(shí)圖預(yù)測(cè)關(guān)系概率，得到???0，然后更新用戶-項(xiàng)目交互矩陣，整合知識(shí)圖信息。接著結(jié)合更新后的用戶-項(xiàng)目矩陣和用戶嵌入E??，得到包含知識(shí)和用戶信息的項(xiàng)目嵌入E ′ ??。最后計(jì)算E ′ ??和原始項(xiàng)目嵌入E??之間的MSE損失，并與ELBO損失一起優(yōu)化。L????????的表達(dá)式如下：
DiffKG的訓(xùn)練包括推薦任務(wù)訓(xùn)練和KG擴(kuò)散訓(xùn)練兩部分。KG擴(kuò)散的聯(lián)合訓(xùn)練包含ELBO損失和CKGC損失兩個(gè)損失分量，并同時(shí)進(jìn)行優(yōu)化。因此，KG擴(kuò)散的損失函數(shù)可以表示為：
為了平衡 ELBO 損失和 CKGC 損失的貢獻(xiàn)，我們引入了一個(gè)超參數(shù) ??0 來(lái)控制它們各自的強(qiáng)度。對(duì)于推薦任務(wù)，我們將原始貝葉斯個(gè)性化排名（BPR）推薦損失與前面提到的對(duì)比損失 L???? 結(jié)合起來(lái)。BPR損失，表示為L(zhǎng)??????，定義如下：
訓(xùn)練數(shù)據(jù)表示為 O = (??,??,??)| (??,??) ε O+ , (??, ??) ε O? ，其中 O + 表示觀察到的交互作用，O ? 表示從用戶集 U 和項(xiàng)目集 I 的笛卡爾積（不包括 O + ）獲得的未觀察到的交互作用。根據(jù)這些定義，推薦任務(wù)的綜合優(yōu)化損失為：
可學(xué)習(xí)的模型參數(shù)表示為 θ，它包含模型內(nèi)的可訓(xùn)練變量。此外，??1 和??2 是超參數(shù)，用于確定基于 CL 的損失和 ??2 正則化項(xiàng)各自的強(qiáng)度。
為了評(píng)估DiffKG的有效性，設(shè)計(jì)了一系列實(shí)驗(yàn)來(lái)研究以下問(wèn)題：
RQ1：DiffKG的性能與最先進(jìn)的推薦系統(tǒng)相比如何？
RQ2：DiffKG的關(guān)鍵組件對(duì)整體性能有何獨(dú)特貢獻(xiàn)，以及模型如何適應(yīng)超參數(shù)設(shè)置的變化？
RQ3：DiffKG如何證明其在克服數(shù)據(jù)稀疏和噪聲障礙方面的有效性？RQ4：DiffKG模型在多大程度上為推薦提供了高水平的可解釋性，以促進(jìn)對(duì)其決策過(guò)程的透徹理解？
4.1.1? 數(shù)據(jù)集
為了評(píng)估的全面性和多樣性，我們采用了三個(gè)公共數(shù)據(jù)集：Last-FM（音樂(lè)）、MIND（新聞）和Alibaba-iFashion（電子商務(wù)）。經(jīng)過(guò)10核技術(shù)預(yù)處理，過(guò)濾掉出現(xiàn)次數(shù)低于10的用戶和項(xiàng)目。對(duì)于Last-FM，我們采用映射方法關(guān)聯(lián)項(xiàng)目與Freebase實(shí)體并提取知識(shí)三元組。對(duì)于MIND，我們遵循[24]收集維基數(shù)據(jù)的KG。對(duì)于Alibaba-iFashion，我們手動(dòng)構(gòu)建KG，利用類別信息作為有價(jià)值的知識(shí)。三個(gè)數(shù)據(jù)集及其對(duì)應(yīng)的KG的詳細(xì)統(tǒng)計(jì)數(shù)據(jù)如表1所示。
4.1.2? 評(píng)估協(xié)議
為了避免評(píng)估中負(fù)采樣帶來(lái)的偏差，我們?cè)跐M秩設(shè)置下報(bào)告性能指標(biāo)，利用Recall@N和NDCG@N作為top-N推薦指標(biāo)，其中N=20，這是常用的值。
4.1.3? 比較基線方法
為了全面評(píng)估DiffKG，我們將其與不同研究流的一組基線進(jìn)行了比較。協(xié)同過(guò)濾方法：
基于嵌入的知識(shí)感知推薦器：
基于 GNN 的 KG 增強(qiáng)推薦器：
自我監(jiān)督的知識(shí)感知推薦器：
我們?cè)u(píng)估了各種方法的整體性能，DiffKG在所有基線方法中表現(xiàn)最優(yōu)，結(jié)果如表2。
DiffKG的圖擴(kuò)散模型增強(qiáng)了數(shù)據(jù)增強(qiáng)的有效性，提高了推薦的準(zhǔn)確性。與傳統(tǒng)方法如BPR和NeuMF相比，DiffKG結(jié)合知識(shí)圖信息顯示出優(yōu)越性。與其他知識(shí)感知模型相比，DiffKG具有顯著的性能優(yōu)勢(shì)。這表明知識(shí)圖通常包含不相關(guān)的關(guān)系，可能會(huì)對(duì)推薦質(zhì)量產(chǎn)生負(fù)面影響。KGCL和DiffKG采用不同的方法來(lái)解決協(xié)同過(guò)濾的稀疏性問(wèn)題，但DiffKG采用通過(guò)設(shè)計(jì)的KG擴(kuò)散模型生成的任務(wù)相關(guān)知識(shí)圖，這表明DiffKG方法的有效性。
4.3.1? 關(guān)鍵模塊消融
本研究評(píng)估了DiffKG中關(guān)鍵模塊的有效性，開(kāi)發(fā)了三種模型變體：“w/o CL”（刪除KG增強(qiáng)數(shù)據(jù)增強(qiáng)模塊），“w/o DM”（用變分圖自動(dòng)編碼器替換擴(kuò)散模型），“w/o CKGC”（從KG擴(kuò)散模型優(yōu)化中排除協(xié)作知識(shí)圖卷積）。如表 3 所示，消融研究得出關(guān)鍵結(jié)論：
1) 去除KG增強(qiáng)的對(duì)比學(xué)習(xí)導(dǎo)致性能顯著下降，驗(yàn)證了知識(shí)圖合并額外自我監(jiān)督信號(hào)的有效性。
2) 知識(shí)圖擴(kuò)散模型組件的消融證明了其在提高DiffKG性能中的關(guān)鍵作用，擴(kuò)散過(guò)程捕獲任務(wù)相關(guān)關(guān)系的有效性得到證實(shí)。
3) 缺乏協(xié)作知識(shí)圖卷積模塊導(dǎo)致性能下降，強(qiáng)調(diào)了DiffKG中協(xié)作知識(shí)圖卷積的重要性，有助于將用戶協(xié)作知識(shí)集成到推薦擴(kuò)散模型的訓(xùn)練中。在Last-FM和MIND數(shù)據(jù)集中觀察到較大性能下降，表明其知識(shí)圖中存在較高水平的噪聲。
4.3.2? 對(duì)關(guān)鍵超參數(shù)的敏感性
本研究深入探究了不同超參數(shù)對(duì)我們方法的影響，特別是數(shù)據(jù)增強(qiáng)和知識(shí)圖擴(kuò)散模塊中的超參數(shù)。為直觀展示結(jié)果，我們?cè)贛IND數(shù)據(jù)集上報(bào)告了相應(yīng)的圖表，如圖3。
我們研究了DiffKG的超參數(shù)，特別是??1（InfoNCE損失權(quán)重）和??（softmax溫度）。最佳性能出現(xiàn)在??1=1和??=1時(shí)，強(qiáng)調(diào)了對(duì)比學(xué)習(xí)的重要性。在知識(shí)圖擴(kuò)散模型中，增加擴(kuò)散步數(shù)對(duì)精度的影響最小，如圖3(b)。為了平衡性能和計(jì)算，我們選擇了T=5。有趣的是，最佳性能在T′=0時(shí)實(shí)現(xiàn)，這避免了原始KG的過(guò)度損壞。
為了評(píng)估DiffKG在稀疏數(shù)據(jù)處理方面的性能，我們將用戶和項(xiàng)目分為五組，每組包含相同數(shù)量的用戶，交互密度從組1到組5逐漸增加，代表不同程度的稀疏性。采用類似的方法處理物品，測(cè)試結(jié)果如圖4所示。
知識(shí)圖噪聲。為了評(píng)估DiffKG過(guò)濾不相關(guān)關(guān)系的能力，我們?cè)贙G中注入10%的噪聲三元組，模擬具有大量主題不相關(guān)關(guān)系的場(chǎng)景。在保持測(cè)試集不變的情況下，將DiffKG的性能與其他知識(shí)感知推薦系統(tǒng)進(jìn)行比較。
我們進(jìn)行了新聞推薦案例研究，比較了使用和不使用知識(shí)圖擴(kuò)散模型的結(jié)果。研究發(fā)現(xiàn)，知識(shí)圖譜中的噪聲可能會(huì)引入偏差并誤導(dǎo)用戶表示。然而，通過(guò)結(jié)合KG擴(kuò)散范式，我們的DiffKG有效地過(guò)濾掉了不相關(guān)的KG信息，從而產(chǎn)生了更相關(guān)的新聞文章。這些文章包括對(duì)星球大戰(zhàn)視頻游戲的討論、演員參與星球大戰(zhàn)電影以及社交媒體對(duì)星球大戰(zhàn)電影的評(píng)論。通過(guò)準(zhǔn)確地利用和過(guò)濾知識(shí)圖譜信息，我們的模型在推薦任務(wù)中展示了改進(jìn)的性能，說(shuō)明了其在增強(qiáng)相關(guān)性和減輕知識(shí)圖譜中不相關(guān)信息的影響方面的有效性。
現(xiàn)有的知識(shí)感知推薦方法包括基于嵌入、基于路徑和基于GNN的方法。其中，基于GNN的方法，如KGCN、KGAT和KGIN，結(jié)合了兩種范式的優(yōu)點(diǎn)，能從知識(shí)圖中提取有價(jià)值的信息。KGCN利用固定數(shù)量的鄰居進(jìn)行項(xiàng)目表示聚合，而KGAT則根據(jù)知識(shí)鄰居的重要性分配權(quán)重。KGIN在聚合層中結(jié)合了用戶偏好和關(guān)系嵌入。這些基于GNN的方法利用GNN的強(qiáng)大功能和知識(shí)圖中的豐富信息來(lái)增強(qiáng)推薦系統(tǒng)。
數(shù)據(jù)增強(qiáng)技術(shù)與自我監(jiān)督學(xué)習(xí)（SSL）的結(jié)合已成為增強(qiáng)推薦系統(tǒng)的有效方法。基于SSL的數(shù)據(jù)增強(qiáng)技術(shù)能利用從原始數(shù)據(jù)中提取的額外監(jiān)督信號(hào)，解決數(shù)據(jù)稀疏性并提高推薦性能。對(duì)比學(xué)習(xí)等數(shù)據(jù)增強(qiáng)方法生成用戶或項(xiàng)目表示的增強(qiáng)視圖，通過(guò)訓(xùn)練模型區(qū)分正負(fù)對(duì)，有效解決數(shù)據(jù)稀疏性問(wèn)題，并通過(guò)自監(jiān)督學(xué)習(xí)提高推薦性能。此外，受自然語(yǔ)言處理任務(wù)啟發(fā)，屏蔽和重建增強(qiáng)技術(shù)涉及屏蔽或隱藏用戶-項(xiàng)目交互的某些項(xiàng)目或部分，訓(xùn)練模型預(yù)測(cè)缺失的元素，迫使模型學(xué)習(xí)上下文關(guān)系。整合SSL數(shù)據(jù)增強(qiáng)技術(shù)到推薦系統(tǒng)，能解決數(shù)據(jù)稀疏性、捕獲復(fù)雜模式并提高推薦系統(tǒng)的泛化能力。
擴(kuò)散概率模型在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域展現(xiàn)出巨大潛力。在視覺(jué)領(lǐng)域，擴(kuò)散模型在圖像生成和修復(fù)任務(wù)中表現(xiàn)優(yōu)秀。在文本生成領(lǐng)域，模型被訓(xùn)練以從擾動(dòng)的數(shù)據(jù)中恢復(fù)原始文本。擴(kuò)散模型在其他領(lǐng)域也得到應(yīng)用，如用于圖生成的圖學(xué)習(xí)，包括連續(xù)時(shí)間生成擴(kuò)散過(guò)程和離散去噪擴(kuò)散模型。最近，擴(kuò)散概率模型在推薦領(lǐng)域也得到了些探索。
文章轉(zhuǎn)自微信公眾號(hào)@算法進(jìn)階
對(duì)比大模型API的內(nèi)容創(chuàng)意新穎性、情感共鳴力、商業(yè)轉(zhuǎn)化潛力
一鍵對(duì)比試用API 限時(shí)免費(fèi)