![](https://img-blog.csdnimg.cn/20210414145933406.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文笔记
文章平均质量分 95
一些经典或前沿的深度学习论文的笔记整理
angushuang17
这个作者很懒,什么都没留下…
展开
-
GANs(生成对抗网络)浅析
机器学习众多算法,经典如决策树,罗吉斯特回归等,以及近些年热火朝天的众多深度神经网络模型,其本质终究是分类器。2014年发表在人工智能顶会NIPS上的一篇文章《Generative Adversarial Networks》一举成名,在CV,NLP等众多领域都取得了突出性的成果。今天让我们一起来看下这一“神”算法究竟是如何工作的。目录1. 欢迎来“对抗”1.1 生成假数据1.2 鉴别假数据2. GAN的基本结构解析2.1 基本结构2.2 训练方式3. 相关理论推导3.1原创 2021-05-04 15:16:06 · 1492 阅读 · 1 评论 -
论文笔记:BPR-Bayesian Personalized Ranking from Implicit Feedback | 推荐系统BPR算法分析
BPR:Bayesian Personalized Ranking from Implicit Feedback文章目录BPR:Bayesian Personalized Ranking from Implicit Feedback1. 背景2. 问题建模3. BPR基本思想4. 算法中的应用1. 背景在2. 问题建模3. BPR基本思想4. 算法中的应用...原创 2021-04-14 14:42:21 · 2151 阅读 · 11 评论 -
Graph Neural Networks in Recommender Systems综述
本文仅用来学习,原创作者公众号:图与推荐原文链接:https://zhuanlan.zhihu.com/p/323302898 原文链接:https://arxiv.org/pdf/2011.02260.pdf Abstract 如今推荐系统的研究非常火热,GNN也在很多领域表现优异。推荐系统主要的挑战是从历史交互(historical interactions)和边信息(side .转载 2021-04-08 10:25:47 · 721 阅读 · 1 评论 -
论文笔记:On Sampled Metrics for Item Recommendation
On Sampled Metrics for Item Recommendation论文链接:https://dl.acm.org/doi/abs/10.1145/3394486.3403226 accepted by KDD20201. 研究目标由于在个性化推荐中物品(item)的数量十分之大,且在数据集中,对于每一位用户而言,未交互的数据量十分大,无法得知哪些物品是用户不喜欢的,大多数得到的是用户喜欢的物品,因此难以得到有效的负样本用于模型的训练,故大多数算法都采用采样的方法从未交互的物品中原创 2021-03-03 22:07:50 · 564 阅读 · 3 评论