- 博客(12)
- 收藏
- 关注
RSS订阅原创 Side Information-KGAT: Knowledge Graph Attention Network for Recommendation阅读笔记
Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu and Tat-Seng Chua (2019). KGAT: Knowledge Graph Attention Network for Recommendation. Paper in ACM DL or Paper in arXiv. In KDD’19, Anchorage, Alaska, USA, August 4-8, 2019.@inproceedings{KGAT19,author =.
2020-06-28 13:05:50
573
原创 Side Information-Knowledge Graph Convolutional Networks for Recommender Systems阅读笔记
Knowledge Graph Convolutional Networks for Recommender Systems基本信息作者Hongwei Wang∗, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo†[重要作者提示]†Dr. Minyi Guo (过敏意), Zhiyuan Chair Professor, IEEE Fellow, ACM Distinguished Member标签Recommender systems; Knowledge
2020-06-27 16:33:49
1312
原创 RGCN-Modeling Relational Data with Graph Convolutional Networks阅读笔记
作者：来自于 University of Amsterdam 的 Michael Schlichtkrull, Thomas N. Kipf（GCN的作者）, Peter Bloem（VU Amsterdam）, Rianne van den Berg, Ivan Titov, Max WellingAbstractKnowledge graphs enable a wide variety of applications, including question answering and inform
2020-06-26 22:20:46
1985
1
原创 GraphSage-Inductive Representation Learning on Large Graphs阅读笔记
William L. Hamilton∗，Rex Ying∗，Jure LeskovecNIPS 2017AbstractLow-dimensional embeddings of nodes in large graphs have proved extremely useful in a variety of prediction tasks, from content recommendation to identifying protein functions. However, most e
2020-06-24 22:42:38
803
原创 使用深度学习做推荐系统-Neural Collaborative Filtering
He X, Liao L, Zhang H, et al. Neural Collaborative Filtering[C]// International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2017:173-182.Abstract近年来，深度神经网络在语音识别，计算机视觉和自然语言处理方面取得了巨大的成功。但是，在推荐系统上对深层神经网络的探索研究相对
2020-06-20 01:05:56
1120
原创 推荐系统矩阵分解-基于SVD协同过滤的推荐
奇异值分解（Singular value decomposition）是一种矩阵分解技术，也是一种提取信息的方法。将一个比较复杂的矩阵用更小更简单的3个子矩阵的相乘来表示，这3个小矩阵描述了大矩阵重要的特性，可以起到降维简化数据，去除数据噪声的作用。...
2020-06-19 19:22:51
1805
1
原创 A Guide to Singular Value Decomposition for Collaborative Filtering阅读笔记
本文的方法来自：A Guide to Singular Value Decomposition for Collaborative FilteringChih-Chao MaDepartment of Computer Science, National Taiwan University, Taipei, TaiwanAbstractAs the market of electronic commerce grows explosively, it is important to provide
2020-06-18 11:10:19
438
原创 奇异值分解SVD
奇异值是矩阵里的概念，一般通过奇异值分解定理求得。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。就像是描述一个人一样，给别人描述说这个人长得浓眉大眼，方脸，络腮胡，而且带个黑框的眼镜，这样寥寥的几个特征，就让别人脑海里面就有一个较为清楚的认识，实际上，人脸上的特征是有着无数种的，之所以能这么描述，是因为人天生就有着非常好的抽取重要特征的能力，让机器学会抽取重要的特征，SVD是也一个重要的方法。在机器学习领
2020-06-17 20:16:09
399
原创 Memory-based的CF推荐--Item-based的方法：Item-Based Collaborative Filtering Recommendation Algorithms
Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl摘要推荐系统将知识发现技术应用于在生活中针对信息、产品或服务提出个性化建议的问题。这些系统，尤其是基于k近邻协同过滤的系统，正在网络上获得广泛的成功。可用信息的巨大增长，以及最近访问Web站点的访客的数量，对推荐系统提出了一些挑战。它们是：产生高质量的推荐，每秒为数百万个用户和项目提供高质量推荐，并在数据稀疏的情况下实现更高的质量。在传统的协作过滤系统中，工作量随着系统中参与人数的增
2020-06-17 16:28:24
583
原创 推荐系统概述、分类
一、推荐系统的基本思想知你所想，精准推送利用用户和物品的特征信息，给用户推荐那些具有用户喜欢的特征的物品。物以类聚利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品。人以群分利用和用户相似的其他用户，给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品。二、推荐系统的数据分析1、用户个人信息（注册信息）喜好标签（勾选）上下文信息(浏览过什么，浏览记录，用户的行为习惯)2、物品内容信息（基本信息）分类标签（类别）关键词假如物品的特征和用户相匹配，即可。3
2020-06-17 00:01:59
3261
原创 BERT直观理解
BERT架构图 简单解释一下BERT的架构图。位置向量解决了时序问题（RNN不能并行的执行，只能一个一个的来，但是不一个一个的来，时序即word的先后顺序，怎么处理呢，位置向量就解决了）；Self-Attention解决RNN不能并行的问题，multi-head可以提取到多种语义的层次表达，这一部分是核心；接着将向量层的数据（向量表示）和Mutil-Head-Attention的数据进行合并，这个操作叫残差连接，为了使下一层不比上一层差，其中归一化（标准化）的操作是为了更好的求导，防止梯度消失，还能
2020-06-05 23:14:28
951
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人