- 博客(8)
- 收藏
- 关注
原创 Information Sciences投稿经验分享
2023.3.26 Revise Submitted to Journal(此时终于参透了Elsevier的投稿系统了,提交了LaTeX原稿)后续还有Proof,修改Arxiv Preprint的版本以及出版的工作,不过也算是为我的博士阶段进行阶段性收尾啦。2023.5.15 Revise(审稿人全部推荐接收,编辑要求删减参考文献到50篇以内+润色语言)2023.3.13 Revise Major(4个审稿人,两大修两小修,二十多条不是很难的意见)虽然咱CCF-A发不了,但是CCF-B还是能发的哈哈哈!
2023-05-21 09:24:35 2488 6
原创 Factorization Machine 详解(三)—— FM与高阶特征训练
Factorization Machine 详解(三)—— FM与高阶特征训练之前的文章回顾:FM基础概念的介绍与训练方法FM开源库LibFM简介与使用可以看到,FM主要用于推测推荐系统中不同特征之间的关联,尤其适用于稀疏数据的推荐。然而,Rendle等提出的基础FM模型一般只能推测2-way的特征关系,而对于更高阶的特征关系则缺乏更为有效的训练手段。另外,在传统的FM模型中,目标函数...
2019-03-29 20:02:13 1817
原创 因子分解机(FM)详解(二)——开源库libfm代码分析与运行
开源库libfm代码分析与运行上篇博文介绍了FM的基本概念与公式,使用FM进行推荐训练的三点优点,以及训练FM模型的三种方法。在文章[1]、[2]、[3]中,Rendle等人专门为FM开发了一个基于C++11开源的unix软件库,也就是libfm。官网地址github地址首先,将整个仓库clone到本地,并进入到相应目录:git clone https://github.com/sr...
2019-03-18 21:33:53 2224
原创 因子分解机(Factorization Machine)详解(一)
Factorization Machine因子分解机(Factorization Machine, FM)是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法。目前,被广泛的应用于广告预估模型中,相比LR而言,效果强了不少。我们可以认为,这个模型结合了SVM的优点与分解模型的优点。与SVM类似的是,FM是一个广泛的预测器,可以兼容任意实值的特征向量。而与FM不同的是,FM对于所有...
2019-03-17 17:51:00 14174 2
原创 阅读笔记——变分推断(二)
阅读笔记PRML第十章——变分推断(二)因子近似的特性PRML第十章——变分推断(二)上一篇博客提到了在变分推断中,常用的优化方法是通过将需要近似的目标分布q(Z)q(\mathbf Z)q(Z)中的隐变量Z\mathbf ZZ分解为多个因子,并最大化下界L(q)\mathcal L(q)L(q)得到的。因子近似的特性考虑对高斯分布p(z)=N(z∣μ,Λ−1)p ( \mathbf { ...
2018-12-11 19:42:31 275
原创 变分推断读书笔记
阅读笔记PRML第十章——变分推断(一)基本概念优化方法PRML第十章——变分推断(一)变分推断是一种十分常见的近似方法。在第九章、十章介绍的近似方法中,我们考虑对后验概率p(X)p(\mathbf X)p(X)的估计。由于在一些问题中,p(X)p(\mathbf X)p(X)是不可积的,因此不可做预测,故需要一些近似算法。常用的近似算法包括Laplace近似,Sampling以及变分推断。第...
2018-12-10 15:54:46 442
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