- 博客(8)
- 收藏
- 关注
RSS订阅原创 LightGBM最小可行代码实操
kaggle——customer-churn-prediction-2020上的数据集。输出特征重要性，后续可筛选掉特征重要性较小的特征，重新入模训练（效果会好很多）：LightGBM｜sklearn| 代码实操。
2024-02-27 23:16:22
188
原创 LSTM最小可行代码实操
可以看出预测的还是比较准的，整个趋势预测的最起码是对的。：神经网络｜PyTorch | 代码实操。：苹果公司的股票收盘价数据。
2024-02-16 01:05:08
216
原创 CausPref: Causal Preference Learning for Out-of-Distribution Recommendation论文笔记
传统的推荐算法都有一个共同的目标：拟合历史交互数据，但这需要满足一个前提假设：训练集和测试集的数据是独立同分布的（I.I.D.）。但本文认为大多数推荐系统中的数据是会随时间发生偏移的。本文认为推荐系统数据中的偏移可分为两类：1）自然偏移；2）人为偏移。
2023-01-15 00:50:41
422
1
原创 Deconfounded Causal Collaborative Filtering 论文笔记
欢迎一起讨论呀~【写在前面的问题】本文因果图的合理性：U 的表示如何影响 I 的表示的？【目的】训练数据中存在很多潜在混杂因子是观察不到的，针对这个问题本文提出了一个去混杂因子的因果协同过滤模型。【方法】把未观察到的混杂因子的用户行为融合进因果图的框架中，然后设计了一个前门调整模型，谨慎地融合机器学习来对观察不到的混杂因子的影响去混。【结果】实验说明可以通过该方法去除未观察到的混杂因子，从而使得推荐性能更好。1. Introduction现有的方法都是希望通过手动去除特定混杂因子来提高性能，但现
2022-01-03 13:53:10
1023
原创 卷积-CNN-GCN-LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation论文笔记
参考博客：https://www.zhihu.com/question/54504471/answer/3326576041. 卷积连续：(f∗g)(n)=∫−∞+∞f(τ)g(n−τ)dt(f*g)(n)=\int_{-\infty}^{+\infty}f(\tau)g(n-\tau)dt(f∗g)(n)=∫−∞+∞f(τ)g(n−τ)dt离散：(f∗g)(n)=∑τ=−∞+∞f(τ)g(n−τ)(f*g)(n)=\sum_{\tau=-\infty}^{+\infty}f(\tau)g(n-\t
2021-12-06 21:47:10
861
原创 BPR: Bayesian Personalized Ranking from Implicit Feedback 论文笔记
有什么问题欢迎讨论呀！论文标题：BPR: Bayesian Personalized Ranking from Implicit FeedbackBPR 主要采用用户的隐式反馈（如点击、收藏等），通过对问题进行贝叶斯分析得到的最大后验概率来对 item 进行排序，进而产生排序。目的在隐式反馈基于 item 的推荐中，传统方法都聚焦于预测任务，从而产生排序；而本文提出一种策略：直接优化排序。（个人理解：这两种方法是不是可以看成是等价的，因为针对用户 user，如果我们能确定两两 item 之间的被喜
2021-11-28 15:29:28
1890
1
原创 Causal Embeddings for Recommendation 论文笔记
Causal Embeddings for Recommendation 论文笔记有什么问题欢迎讨论呀！论文标题：Causal embeddings for recommendation目的用过去的 user-item 矩阵预测用户未来的行为会造成偏差，本文是为了消除这种偏差。方法构建两个数据集 ScS_cSc 和 StS_tSt，其中 StS_tSt 数据集的分布（给定每个用户所有item暴露给用户的概率分布）和测试集的分布是一致的。采用领域自适应的算法进行去偏。结果MSE lift
2021-09-17 21:13:14
1234
6
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