Joint Deep Modeling of Users and Items Using Reviews for Recommendation

最新推荐文章于 2021-07-16 16:35:49 发布
最新推荐文章于 2021-07-16 16:35:49 发布
阅读量203 收藏 1
点赞数
分类专栏： 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38119106/article/details/109298020
版权

目录

模型

在这里插入图片描述
共享层使用了FM
在这里插入图片描述

  • 以用户发表过的评论集合为输入，经过CNN，学到用户表示 x u x_u xu​
  • 以物品收到的评论为输入，经过CNN，学到物品表示 y i y_i yi​
  • 将两者拼接得到 z z z，共享层使用FM

Model Analysis

3.5 Model Analysis
个人比较喜欢这一部分，提出5个变体。
在这里插入图片描述

  • DeepCoNN-User, 物品隐向量随机初始化
  • DeepCoNN-Item, 用户隐向量随机初始化
  • DeepCoNN-TFIDF, 单词嵌入用TF-IDF初始化
  • DeepCoNN-Random，单词嵌入初始化
  • DeepCoNN-DP，不用FM，用点乘求和
    在这里插入图片描述

模型的过程，这篇文章写的很清晰
https://blog.csdn.net/lxx3478/article/details/108920371

Dive_
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
2017-Joint Deep Modeling of Users and Items Using Reviews for Recommendation.pdf
06-11
2017-Joint Deep Modeling of Users and Items Using Reviews for Recommendation
论文阅读：Joint Deep Modeling of Users and Items Using Reviews for Recommendation
三金samkam的博客
03-13 319
论文名字 Joint Deep Modeling of Users and Items Using Reviews for Recommendation 来源 年份 2017 作者 Lei Zheng, Vahid Noroozi, Philip S. Y u 核心点 提出基于神经网络的推荐系统模型DeepCoNN ...
论文笔记 《Joint Deep Modeling of Users and Items Using Reviews for Recommendation》(泛读)
weixin_41306220的博客
11-16 1560
简介： 作者提出基于一种神经网络的模型，一种从某个用户的评论中学习到该用户喜好；另一种是从所有用户对某个商品的评论中学习到该商品的特征和特点。为用户和项目学习的潜在特征用于在两个网络顶部引入的层中预测相应的等级。交互层是由矩阵分解技术驱动的，以使用户和项目的潜在因素彼此交互。 一个关键的贡献是，DeepCoNN使用预训练的词嵌入技术来表示评论文本，以从评论中提取语义信息。 模型优点： 1、拟议的深...
Joint Deep Modeling of Users and Items Using Reviews for Recommendation阅读笔记
jinghui_7的博客
03-25 202
文章将深度模型应用于评论信息，利用评论信息学习user和item的隐表示，然后用FM方法预测评分。 模型分为三部分，分别是Word Representation，CNN Layers和The Shared Layer。 在Word Representation部分，将评论中的每个单词转换为单词向量表示： 在CNN Layers层，采用多个尺寸不同的核，利用CNN提取评论信息。首先经过卷积层，然后经过最大池化层，捕捉提取的最重要的特征，，CNN输出，，最终经过一个全连接层，获得最终表...
【论文笔记】Joint Deep Modeling of Users and Items Using Reviews for Recommendation
Harryline的博客
07-16 829
文章目录1 概述2 创新点3 实验结果4 论文复现4.1 Environments4.2 Dataset4.3 代码解析4.4 实际训练结果 1 概述 论文原文链接（arxiv） 作者提出了一个 Deep Cooperative Neural Networks（DeepCoNN）的模型，该模型由耦合在最后一层的两个并行神经网络组成，其中一个神经网络使用用户撰写的评论对用户的行为进行建模，另一个神经网络使用物品得到的评论信息对物品的特性进行建模，最后一层将两个并行神经网络分别得到的xux_uxu​和yiy
Adaptive Deep Modeling of Users and Items Using Side Information for Recommendation
02-08
Adaptive Deep Modeling of Users and Items Using Side Information for Recommendation
Predicting cortical ROIs via joint modeling of anatomical and connectional profiles
02-21
Predicting cortical ROIs via joint modeling of anatomical and connectional profiles
Modeling and Design of Electromagnetic Compatibility for High-Speed Printed epub
12-29
Modeling and Design of Electromagnetic Compatibility for High-Speed Printed Circuit Boards and Packaging 英文epub 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊...
Performance Modeling and Analysis of the ADHOC MAC Protocol for Vehicular Networks
02-22
A Markov chain is first constructed to describe the number of vehicles which have acquired a timeslot successfully at the end of a frame when using the ADHOC MAC protocol. Based on the Markov model, ...
论文笔记-Joint Deep Modeling of Users and Items Using Reviews for Recommendation
weixin_30401605的博客
12-23 579
基本思路：利用用户和商品的评论构建CNN预测评分。 网络结构： user review网络与 item review网络结构一致，仅就前者进行说明 从user review text到 look-up layer： 首先需要pre-train一个word embedding的词表，对某个用户，将其对所有商品的评论拼接为一条sequence，对其中的每个词，去loo...
文章浅析-《Joint Deep Modeling of Users and Items Using Reviews for Recommendation》
lxx3478的博客
10-04 1267
文章浅析-《Joint Deep Modeling of Users and Items Using Reviews for Recommendation》推荐系统论文阅读笔记之《Joint Deep Modeling of Users and Items Using Reviews for Recommendation》IntroductionThis paperSummaryContributionsMethods第一层 look-up层第二层 Convolution层第三层 Max-pooling层第
论文学习（DeepCoNN）：Joint Deep Modeling of Users and Items Using Reviews for Recommendation
雪的期许
10-04 2791
文论研读、翻译、模型复现：Joint Deep Modeling of Users and Items Using Reviews for Recommendation（DeepCoNN）
深度学习在推荐系统中的应用及代码集锦(2)
hestendelin的专栏
09-17 558
您可能感兴趣本文是深度学习在推荐系统中的应用及代码集锦第二篇，上面链接是第一篇，本文的论文编号沿用第一篇的论文编号[7] Joint deep modeling of u...
Joint Deep Learning For Pedestrian Detection（论文笔记-深度学习：行人检测）
Irving.She Blog
11-01 6942
一、摘要：       行人检测主要分为四部分：特征提取、形变处理、遮挡处理和分类。现存方法都是四个部分独立进行，本文联合深度学习将四个部分结合在一起，最大化其能力。       二、引言：     （1）首先，特征提取的应该是行人最有判别力的特征，比较有名的特征描述子有：Haar-like、SIFT、HOG等等；     （2）其次，可变形模型应该可以处理人体的各个部分，如：躯干、头、退
Joint Deep Learning for Pedestrian Detection
icecode的专栏
08-06 1898
Joint Deep Learning for Pedestrian Detection /Computer Vision /Machine Learning / Deep learning / Machine Learning /Video processing / Joint Deep Learning for Pedestrian Detection        
论文阅读-《Joint Object and Part Segmentation using Deep Learned Potentials》
yj_isee的博客
04-17 2070
ICCV 2015 UCLAAbstract从图像中分割出物体并把他们分解成各自的semantic part是CV中detailed object understanding的基础。作者在这篇论文中提出了一种joint semantic object and part segmentation的方法。通过利用object-level的信息来引导part segmentation，同时part seg
行人检测“Joint Deep Learning for Pedestrian Detection”
cv_family_z的博客
11-06 2895
动机：行人检测中的特征提取，形变处理，遮挡处理和分类联合学习。深度网络可以将各部分放到不同的网络层并使用BP进行优化。相关工作： 用于行人检测的特征：Haar,HOG,SIFT,一阶颜色特征如颜色直方图，二阶颜色特征如CSS,co-occurence特征，纹理特征LBP，其他形式的特征包括协方差，深度图，分割结果，3D几何，深度学习局部最大或平均池化特征。这些特征没有考虑行人的形变特征。 处理形
基于深度学习的推荐系统
智者之家
10-10 3855
基于深度学习的推荐系统 这是一个包含基于深度学习的文章、论文和推荐系统的知识库。 论文 Convolutional Matrix Factorization for Document Context-Aware Recommendation by Donghyun Kim, Chanyoung Park, Jinoh Oh, Seungyong Lee, Hwanjo Yu, RecSys 20...
DeepCoNN
s1162276945的博客
03-15 2521
DeepCoNN Lei Zheng, Vahid Noroozi, and Philip S. Yu. 2017. Joint Deep Modeling of Users and Items Using Reviews for Recommendation. In Proceedings of the Tenth ACM International Conference on Web Sea...
modeling and simulation of mechatronic systems using simscape
最新发布
12-15
Simscape 是一种多领域物理建模和仿真工具箱，专用于机电一体化系统的建模和仿真。机电一体化系统是由各种机械、电子、控制和信息处理组件组成的复杂系统。使用Simscape，我们可以更好地理解和分析这些系统的性能。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值