- 博客(4)
- 收藏
- 关注
RSS订阅翻译 Self-Attentive Sequential Recommendation
Self-Attentive Sequential RecommendationAbstract序列动力学是许多现代推荐系统的一个关键特征，它试图根据用户最近的行为来捕捉用户活动的“上下文”。为了捕捉这种模式，出现了两种方法:马尔可夫链(MCs)和循环神经网络(RNNs)。马尔可夫链假设用户的下一个动作可以根据他们最近(或最近几个)的动作来预测，而RNN原则上允许揭示更长期的语义。一般来说，基于MC的方法在极其稀疏的数据集中表现最好，其中模型简约性是关键，而RNN在较密集的数据集中表现更好，其中较高的模
2022-03-27 14:57:56
1551
1
原创 UltraGCN Ultra Simplification of Graph Convolutional
UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation
2022-03-08 16:01:41
933
原创 LightGCN学习笔记
LightGCNABSTRACT1.GCN推荐有效的原因不清楚2.特征转换和线性激活对协同过滤性能的作用不大，更糟糕的是，包括他们增加了培训的难度，降低了推荐的效果。作者简化了GCN的设计，lightGCN模型只包含GCN中的邻域聚合部分。具体来说，LightGCN通过在用户-物品交互图上线性传播来学习用户和物品嵌入，并使用在所有层上学习到的嵌入的加权和作为最终嵌入。这种简单、线性和整洁的模型更容易实现和训练，在完全相同的实验设置下，与最先进的基于gcn的推荐模型Neural Graph Colla
2021-12-14 20:36:41
3276
原创 Neural Graph Collaborative Filtering（NGCF）学习笔记
Neural Graph Collaborative FilteringINTRODUCTION可学习CF模型有两个关键组成部分：1.embedding 嵌入：它将用户和项目转换为矢量化表示2.interaction modeling 交互建模：它基于嵌入重建历史交互矩阵分解(MF)直接将用户/项目ID嵌入为一个向量，并用内积对用户-项目交互进行建模[20]；协同深度学习通过整合从项目丰富的边信息中学习到的深度表示，扩展了MF嵌入功能[30]；神经协同过滤模型用非线性神经网络代替内积的MF交互作用
2021-12-09 16:55:15
7505
4
空空如也
pytorch保存的模型怎么才能用到TensorFlow里边啊
2022-10-20
TA创建的收藏夹 TA关注的收藏夹
TA关注的人