BVL的博客

本文是google团队在2016年kdd上发表的一篇论文， 是对gmail中应用的自动回复功能框架进行了介绍，应用的环境就是在gmail中来了一封邮件，系统会自动推荐3个回复语句供用户选择，来方便回复。下面是整个框架的流程图： 面临的挑战：1，个性化推荐2，多样化推荐3，处理能力强4，保护用户隐私对于挑战1， 2 1）加了一项惩罚项使得一些过于简单的，回答的开头类似的response被剔除掉

相信大家最近被hinton的这篇capsule的论文刷屏了，这篇论文是发表在nips2017上的。其实capsule这个概念最早是hinton的一篇发表在ICANN 2011上的论文中提出的，不过当初没有引起太大的关注。今年的早些时候，hinton也在多个公开场合表达capsule这样一种想法。在此，笔者在这里记录下自己对这篇论文的理解。首先在这里推荐几篇与这篇论文相关的，笔者认为比较有用的资源，可

这一篇是AAAI 2017的best paper。出自Stanford ，随手查了一下，二作Stefano Ermon指导的AAAI 2017的另一篇paper，拿了Best Student Paper Award (CompSust Track)。在此膜拜一发。一.题目理解不得不说，一篇好的paper，题目很重要，是否吸引人。比如这一篇，猛地一看感觉很有内容，想法很新颖。 label-free

Synthetic Data for Text Localisation in Natural Images是VGG实验室2016年CVPR的一篇论文。这篇论文所做的主要贡献有两点： 1.将word人工的嵌入到自然图片中，人工生成带有文本的图片（synthText）。 2.提出一种FRCN的网络来检测文本。本文主要针对第一点贡献进行详细讲解，是如何人工生成数据。 源代码：here一

最近了解到了Image Semantic Segmentation方面的知识，在此做一个记录。 这篇论文是2015cvpr的best paper，可以说是在cnn上做图像语义分割的开山之作。**1.语义分割定义：** 语义就是指物体的类别，即属于同一类别的物体都算作一类比如图像中的3个人算作一类，5辆汽车算作一类等，它们都属于同一类别，即“人类”、“汽车”一般规定要进行分割的n个类别的物体（即我

本论文是kdd2016的一篇论文主要的目的也是做node embedding。主要的想法就是通过deep autoencode对node进行embedding，不过在在embedding的时候不仅考虑了1-hop的信息而且考虑了n-hop的信息。使其变成半监督学习的模式（其实就是对loss function改了改）输入是一个graph的n*n的邻接矩阵S，其实可以看成有n个数据的训练集，每个数据的f

本文是2016年NIPS上的论文也是在graph上采用cnn进行了探讨。思路看似十分简单： 对于一张graph而言，有N个node，每个node有F个feature，每个节点关注H hop以内的信息 架构： 对于 node classification 输入：H*N*N*F 第一层：（其实对于每个node而言，通过这一层的映射，会得到一个H*F的map。对于map上的每个元素，是这么得来的

本篇论文是2014年AAAI的一篇论文。思想也比较简单，主要是采用SAE（栈式自编码），在graph上进行node embedding，将embedding得到的每个node的vector做为输入，进行graph cluster。论文中采用的是最常用的k-means方法来cluster。算法如下： step1 得到graph的n*n的邻接矩阵S和度矩阵Dstep2 将D’S作为SAE的输入

本篇论文是2016ICML上的一篇论文，对于如何将cnn应用在graph上提供了一种新的思路。架构： 总体上讲，就是用w个固定size=（k+1）的子图来表示输入的graph，再将这w个子图正则化后,生成一个w(k+1)维的向量，作为传统的cnn的输入，进行学习。其实就是做了一个从graph到向量的映射的一个预处理过程。算法流程 输入：任意一张图 输出：每个channel输出w个recep

这是2014 nips上的一篇论文。 主要的贡献就是设计了在irregular grid上的cnn的应用。**文中有两个并列的模型：第一个模型deep locally connect network（spatial construction从空间角度去建立）locally 体现在 只取每个节点前k个neighborhoods。 connect 体现在，每层与每层之间的神经元数目是通

本篇论文是2015年nips上的一篇论文， 是对于其本人在2014年nips发表的论文：Deep Convolutional Networks on Graph-StructuredData 对于graph上的cnn进一步探讨。相比于之前的工作，此篇论文主要贡献有两点： 1.将之前的construction应用于大数据集的分类问题——Imagenet 2.对于输入的graph是否有标签，分别

这篇论文是KDD2015的一篇用DL去做RS的论文。想法挺有意思的。看过论文的同学都知道整体的模型可以用下图表示：这里只讲讲整体的思路与理解：1）这是一个CF和CBF结合用bayes去做2）CBF主要是体现在整个用SDAE提取item特征。3）bayes体现在，网络中的各种参数是加了一个beyas先验生成的。4）CF体现在，对于u和i这两个向量的生成，用两个不同的高斯先验，来生成，lambda_v...