- 博客(134)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 秋招遇到的面试
转转一面 8.28没回答上的问题：1.synz作用在方法上底层原理2.非主键索引不需要回表（二次搜索的情况）算法题：给定链表 123456，输出 ：162534.方法：快慢指针找到中间节点，断开，然后进行链接。...
2021-08-28 12:13:39
206
原创 Sequential Recommendation with Graph Neural Networks sigir 21
摘要顺序推荐旨在利用用户的历史行为来预测他们的下一次交互。现有的工作还没有解决序列推荐中的两个主要挑战。首先，用户在其丰富的历史序列中的行为往往是隐含的、噪声的偏好信号，不能充分反映用户的实际偏好。此外，用户的动态偏好通常会随着时间的推移而快速变化，因此很难捕捉其历史序列中的用户模式。在这项工作中，我们提出了一个称为Surge的图神经网络模型来解决这两个问题。具体地说，Surge通过基于度量学习将松散的项目序列重构为紧凑的项目-项目兴趣图，将长期用户行为中的不同类型的偏好整合到图中的簇中。通过在兴趣图中形
2021-07-09 10:00:16
1392
原创 Sequential Recommender via Time-aware Attentive Memory Network CIKM 2020
tf的代码文章解决的是召回的问题共分为：召回，精排，重排。摘要推荐系统旨在帮助用户从不断增长的项目语料库中发现最喜欢的内容。尽管深度学习使推荐器有了很大的进步，但它们仍然面临着一些挑战：(1)行为比句子中的单词复杂得多，因此传统的注意力和递归模型在捕捉用户偏好的时间动态方面存在局限性。(2)用户偏好具有多样性和渐进性，很难将长期记忆和短期意图结合起来。在本文中，我们提出了一种时间门控方法来改进注意机制和循环单元，以便在信息过滤和状态转换中都能考虑时间信息。此外，我们还提出了一种混合序贯推荐器，称为
2021-07-02 11:00:51
330
原创 Practice on Long Seqhttps:/uential User Behavior Modeling for Click-Through Rate Prediction KDD 2019
使用UIC (User Interest Center).解决长序列问题（数千长度）。 tensorflow的代码摘要本文直面长序列用户行为建模的挑战，介绍了我们与机器学习算法和在线服务系统共同设计的CTR预测任务的实践。(I)从服务系统的角度出发，通过设计一个独立的模块UIC(User Interest Center)，将用户兴趣建模中最耗费资源的部分从整个模型中解耦出来。UIC维护每个用户的最新兴趣状态，其更新取决于实时用户行为触发事件，而不是流量请求。因此，UIC对于实时CTR预测是无延迟的。(I
2021-06-29 15:35:47
129
原创 leetcode---Java中数据类型的定义及算法中常用方法
定义一个mapMap<Integer,TreeNode> parent = new HashMap<Integer,TreeNode>();定义一个setSet<Integer> visited = new HashSet<Integer>();定义一个listList<TreeNode> list = new ArrayList<TreeNode>();定义栈Deque<TreeNode> stack =
2021-06-25 17:06:20
139
原创 留一法 leaveOneOut（LOO）
这个方法起源于交叉验证法，不同的就是把交叉验证法中的K，换成样本的数量。详细的介绍在周志华西瓜书的2.2.2章节。
2021-06-09 15:36:42
1687
原创 TypeError: an integer is required (got type str)
这个是类型对不上需要的是int类型，但是输入是str类型print('Time Span: {}/{}'.format(# datetime.utcfromtimestamp(min_time).strftime(time_format), datetime.utcfromtimestamp(int(min_time)).strftime(time_format), datetime.utcfromtimestamp(int(max_time)).strftime(t.
2021-06-04 16:16:53
1561
原创 ValueError: not enough values to unpack (expected 3, got 1)
ValueError:没有足够的值来解压(预期3，得到1)方法的输出与预想的不一致。
2021-06-04 15:50:44
7228
1
原创 ‘lengths‘ argument should be a 1D CPU int64 tensor, but got 1D cuda:0 Long tensor
跑模型的时候遇到这个问题，查了一下是关于pytorch版本的问题，我使用的版本1.7.0.看了网上说的换成是1.6.0就可了我找了服务器上的一个1.4.0，就能够跑起来了
2021-06-03 10:59:10
261
原创 Make It a Chorus: Knowledge- and Time-aware Item Modeling for Sequential Recommendation sigir 20
介绍的博客作者讲解摘要传统的推荐系统主要针对固有的、长期的用户偏好进行建模，而动态的用户需求也是非常重要的。通常，历史消费会影响用户对其关系项的需求。例如，用户倾向于一起购买互补产品(iPhone和AirPods)，而不是替代产品(Powerbeats和AirPods)，尽管替代购买的产品仍然迎合了他/她的偏好。为了更好地模拟历史序列的影响，以前的研究引入了项目关系的语义来捕捉用户的推荐需求。然而，我们认为，不同关系造成的影响的时间演化是不能忽视的。在上面的例子中，用户对耳机的需求可以在需要新耳机的较
2021-06-02 15:51:12
464
原创 使用compare进行定义排序，对从小到大，从大到小，如何使用的理解
PriorityQueue<Integer> queue = new PriorityQueue<Integer>(new Comparator<Integer>(){ public int compare(Integer a,Integer b){ return b - a; }该CompareTo()方法，如果指定的数与参数相等返回0；如果指定的数小于参数返回 -1；如果指定的数大..
2021-05-26 11:59:03
2428
原创 Interest-aware Message-Passing GCN for Recommendation WWW2021
ABSTRACT图卷积网络(GCNS)在推荐方面显示出巨大的潜力。这归功于他们通过利用来自高阶邻居的协作信号来学习好的用户和项目嵌入的能力。与其他GCN模型一样，基于GCN的推荐模型也存在一个臭名昭著的过度平滑问题–当堆叠更多层时，节点嵌入会变得更加相似，最终无法区分，从而导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这一问题，然而，我们认为它们忽略了推荐中过度平滑问题的一个重要因素，即没有用户共同兴趣的高阶相邻用户也可以参与用户在图形卷积操作中的嵌入学习。因此，多层图卷积将使兴
2021-05-17 21:24:44
1226
3
原创 FISSA: Fusing Item Similarity Models with Self-Attention Networks for Sequential Recommendation未完成
ABSTRACT顺序推荐由于其实用性和通过捕获顺序信息的高精度而一直是研究的热点。由于广泛采用基于深度学习（DL）的方法来对用户行为序列下的本地和动态偏好进行建模，因此用户的全局和静态偏好的建模往往被低估了，通常只有一些简单而粗略的用户潜在表示是介绍。此外，大多数现有方法都假设通过考虑历史行为可以完全捕获用户的意图，而忽略了现实中用户意图的可能不确定性，这可能会受到要推荐候选项目的出现的影响。因此，在本文中，我们着眼于这两个问题，即大多数基于DL的顺序推荐方法中用户全局偏好的不完善建模以及候选项目带来的用
2021-05-17 15:34:37
768
1
原创 Improving End-to-End Sequential Recommendations with Intent-aware Diversification CIKM20
RLR_{L}RL表示的是生成的推荐列表， 表示的是ama_{m}am这个兴趣对u的重要程度（一种概率）。然后，我们提出了一种端到端意图感知的多样化顺序推荐(IDSR)模型，可以根据公式(3)直接生成多样化的推荐项目列表。IDSR的主要框架如图2所示。如图2所示，IDSR由三个模块组成：序列编码器、隐式意图挖掘(IIM)模块和意图感知分集促进(IDP)解码器。首先，序列编码器将用户的序列行为投影到潜在表征中。然后，IIM模块捕获反映在用户顺序行为中的多个潜在意图。最后，使用IDP解码器根据公式...
2021-05-17 11:17:51
395
1
原创 AttributeError: + unable to display children :timeout waiting for response on 110
这个问题是需要把服务器上的这个文件给删了。删了以后的确不报这个错误了，但是报了一个新的错误。在58行之前打开数据，显示 ：unable to display children :timeout waiting for response on 110，所以采用https://blog.csdn.net/discoverer100/article/details/99501027，这个问题还是出在了多线程上...
2021-05-14 10:12:37
1171
原创 Multi- Head Attention 理解
首先要了解 self attention，知乎上的一篇文章讲解的很好，这个图很好的讲解了self attention,而Multi- Head Attention就是在self attention的基础上把，x分成多个头，放入到self attention中，最后再把他们结果cancat到一起，现在我要处理的一个问题是，如何把x的维度与head的维度一样，也就是扩展x，达到我的想法。先留白，接下来要放入代码...
2021-05-11 10:11:49
1828
1
原创 Learning Intents behind Interactions with Knowledge Graph for Recommendation www 2021
摘要知识图(KG)在推荐系统中发挥着越来越重要的作用。最近的一个技术趋势是开发基于图神经网络(GNN)的端到端模型。然而，现有的基于GNN的模型在关系建模中是粗粒度的，不能(1)在细粒度的意图级别识别用户-项关系，(2)利用关系依赖来保持远程连通性的语义。在这项研究中，我们通过使用辅助项目知识来探索用户与项目交互背后的意图，并提出一种新模型，即基于知识图的意图网络（KGIN）。从技术上讲，我们将每一个意图建模为KG关系的细心组合，鼓励不同意图的独立性，以实现更好的建模能力和可解释性。此外，我们为GNN设
2021-04-22 09:44:00
530
原创 Disentangled Graph Collaborative Filtering 2020 SIGIR
这篇文章说的是学习用户之间不同的意图，并且意图之间要有独立性我们之前都是一个物品学习一个embedding ,但是一个物品也会有很多不同的属性，所以分别进行表示，比如说一个物品20维度，四个属性，每一个属性就是五个维度，确定用户交互是处于何种目的，一个k 是一个意图，之后在整个图整个到一起，每个intent尽可能的不一样。用户的embedding是有每一部分的意图embedding组成的，之前学习的用户意图是使用的mutle-head ，要做的是确保head之间的独立性。数据的初始化
2021-04-20 15:28:23
283
原创 Next-item Recommendation with Sequential Hypergraphs SIGIR20
摘要人们越来越关注下一项推荐系统，该系统可以通过顺序的用户交互来推断动态的用户偏好。尽管项目的语义可以随时间和跨用户而变化，但可以通过短期内由用户交互定义的项目相关性进行精炼，以捕获此类变化，并有助于发现动态的用户首选项。因此，我们有动力开发一种由连续的超图支持的新颖的下一项目推荐框架。具体而言，框架：（i）采用超图表示短期项相关性，并应用多个卷积层以捕获超图中的多阶连接； （ii）使用残留选通层对不同时间段之间的连接进行建模； （iii）配备了一个融合层，在将动态项嵌入和短期用户意图结合到每个交互的表示
2021-04-02 11:11:54
757
原创 剑指 Offer 14- I. 剪绳子 动态规划
class Solution { public int cuttingRope(int n) { int[] dp=new int[n+1]; dp[0] = 0; dp[1] = 1; int a ; for (int i = 2; i <=n ; i++) { for (int j = i-1; j >=1 ; j--) { a=(dp[j] &g.
2021-03-24 21:08:31
50
原创 leetcode 139. 单词拆分 --动态规划
这道题最开始的想法是一个一个判断就可以了，提交的卡住了这个就是说要考虑最后到达结果，会有很多不同的解决方式。所以方法就是建立一个长为s.length()+1的布尔类型的数组，然后用这个数组来表示 第 i 之前的字符串s能不能用字典来表示。之后再i的基础上在进行判定 i到j能不能用字典来表示动态规划的问题要建立dp来存储中间通用的数据。class Solution { public boolean wordBreak(String s, List&l...
2021-03-23 22:08:48
72
原创 Memory Augmented Graph Neural Networks for Sequential Recommendation AAAI 20翻译
Abstract用户项目交互的时间顺序可以揭示许多推荐系统中时间演变和顺序的用户行为。用户将与之交互的项目可能取决于过去访问的项目。然而，用户和项目的大量增加使得顺序推荐系统仍然面临着不小的挑战：（1）短期用户兴趣建模的难度； （2）难以计算长期用户兴趣； （3）项目共现模式的有效建模。为了解决这些挑战，我们提出了一种内存增强图神经网络（MA-GNN），以捕获长期和短期的用户兴趣。具体来说，我们应用图神经网络在短期内对项目上下文信息进行建模，并利用共享内存网络捕获项目之间的长期依赖关系。除了对用户兴趣进行
2021-03-22 23:54:10
1017
1
原创 Intention Modeling from Ordered and Unordered Facets for Sequential Recommendation WWW2020
摘要近年来，序贯推荐因其作为电子商务必不可少的服务而受到研究者的广泛关注。准确理解用户意图是提高推荐系统性能的重要因素。然而，用户意图具有高度的时效性和灵活性，因此学习用户潜在的动态意图进行顺序推荐是非常具有挑战性的。为此，本文提出了一种基于有序和无序刻面(IMfOU)的顺序推荐意图建模方法。具体地说，我们提出的全局和局部项嵌入(GLIE)能够全面地捕捉序列中的顺序上下文信息，突出用户关心的重要特征。进一步设计了有序偏好漂移学习(OPDL)和无序购买动机学习(UPML)，分别得到用户偏好漂移和购买动机的过
2021-03-19 22:43:55
245
1
原创 Handling Information Loss of Graph Neural Networks for Session-based Recommendation KDD2020
摘要近年来，图神经网络（GNN）由于其在各种应用中的令人信服的性能而日益受到欢迎。先前的许多研究还尝试将GNN应用于基于会话的推荐并获得了可喜的结果。但是，我们发现在这些基于GNN的基于会话的推荐方法中存在两个信息丢失问题，即有损会话编码问题和无效的远程依赖捕获问题。第一个问题是有损会话编码问题。由于从会话到图的有损编码以及消息传递期间的排列不变聚合，因此忽略了有关项目转换的一些顺序信息。第二个问题是无效的远程依赖捕获问题。由于层数有限，因此无法捕获会话中的某些远程依赖性。为了解决第一个问题，我们提出了一
2021-03-19 15:19:43
885
原创 范数及正则化
参考文献l0:非0的个数l1: 所有数的绝对值相加为了避免过拟合，所以我们采用l1范数的正则项正则化，损失函数加上正则化避免过拟合，正则化越小，矩阵越稀疏，我们求解的时候回得到很多满足条件的解，所以选择一个比较稀疏的矩阵防止过拟合，留下的都是有用的这就是解与正则相互作用...
2021-03-17 11:12:04
154
原创 Collaborative Self-Attention Network for Session-based Recommendation (IJCAI-20
摘要基于会话的推荐因其能够为匿名用户提供推荐而成为研究热点。但是，现有的基于会话的方法具有以下局限性：（1）它们要么缺乏学习复杂依赖性的能力，要么主要专注于当前会话，而没有明确考虑协作信息。 （2）他们假设商品的表示形式是静态的，并且在每个时间步中对所有用户都是固定的。我们认为，即使是同一项目，也可以在同一时间步骤为不同的用户以不同的方式表示。为此，我们提出了一种新颖的解决方案，用于基于会话的推荐的协作式自我关注网络（CoSAN），以学习会话表示并通过调查邻居会话来预测当前会话的意图。特别地，我们首先通过
2021-03-11 15:08:06
752
原创 U-BERT: Pre-training User Representations for Improved Recommendation AAAI2021
腾讯摘要学习用户表示对于推荐系统来说是一项关键任务，因为它可以对个性化服务的用户偏好进行编码。通常从行为数据（例如单击交互和评论）中学习用户表示。但是，对于不太受欢迎的域，行为数据不足以学习精确的用户表示。为了解决这个问题，自然的想法是利用内容丰富的域来补充用户表示。受到BERT在NLP中的最新成功的启发，我们提出了一种新颖的基于预训练和微调的方法U-BERT。与典型的BERT应用程序不同，U-BERT是为推荐而定制的，并在预训练和微调中使用了不同的框架。在预培训中，U-BERT专注于内容丰富的领域，并
2021-03-10 12:11:32
1645
1
原创 Sparse-Interest Network for Sequential Recommendation WSDM2021
摘要顺序推荐中的最新方法着重于从用户的行为序列中学习下一个推荐的整体嵌入向量。但是，通过经验分析，我们发现用户的行为序列通常包含多个概念上不同的项目，而统一的嵌入向量主要受一个人最近的频繁动作的影响。因此，如果概念上相似的项目在最近的交互中不占主导地位，则可能无法推断出下一个首选项目。为此，另一种解决方案是用编码该用户意图的不同方面的多个嵌入矢量来表示每个用户。尽管如此，最近有关多兴趣嵌入的工作通常考虑了通过聚类发现的少量概念，这可能无法与真实系统中的大量项目类别相提并论。有效地建模大量不同的概念原型是一
2021-03-05 23:22:43
1557
1
原创 RetaGNN: 面向整体序列推荐的关系型时态注意图神经网络 WWW2021
ABSTRACT顺序推荐（SR）是根据用户当前访问的项目为用户准确地推荐项目列表。在新用户不断进入现实世界的同时，一项关键任务是拥有感应式SR，它可以产生用户和物品的嵌入而无需重新培训。考虑到用户与项目之间的交互可能极为稀疏，另一个关键任务是拥有可转移的SR，该SR可以将来自具有丰富数据的一个域的知识转移到另一个域。在这项工作中，我们的目的是提供同时适用于常规，电感和可转移设置的整体SR。我们为整体SR提出了一个新颖的基于深度学习的模型，即关系时间关注图神经网络（RetaGNN）。 RetaGNN的主要思
2021-03-02 18:18:55
1495
原创 Session-based Recommendation with Hypergraph Attention Networks sdm2021
要明白超图，我的理解就是一个边上可以有很多个节点。一般的理解是2介超图，一条线上有两个节点是我们一般理解的，但是超图就是说一条边上有多个节点。摘要基于会话的推荐器系统旨在改进在许多平台上都可以找到的短期会话中的推荐。关键的挑战是在这些简短的会议中，仅以有限的证据准确地建模用户意图。例如，查看鲜花花束是作为购买婚礼的一部分还是用于家居装饰？这种不同的观点极大地影响了下一步应该推荐的内容。因此，本文提出了一种基于超图注意力网络的基于会话的新型推荐系统。该方法的三个独特特性是：（i）为每个会话构造一个超图，以
2021-03-02 14:08:49
948
原创 Modeling Personalized Item Frequency Information for Next-basket Recommendation SIGIR2020
ABSTRACT下一篮子推荐(NBR)在电子商务和零售业中非常普遍。在此场景中，用户一次购买一组商品(一个篮子)。NBR基于一系列篮子执行顺序建模和推荐。NBR通常比被广泛研究的顺序(基于会话)推荐要复杂得多，后者根据一系列项目推荐下一项。递归神经网络(RNN)已被证明是一种非常有效的序贯建模方法，因此适用于NBR。然而，我们认为现有的RNN不能直接捕获推荐场景中的项目频率信息通过对真实数据集的仔细分析，我们发现个性化商品频率(PIF)信息(记录用户购买每件商品的次数)为NBR提供了两个关键信号。但是，
2021-02-18 23:38:32
908
原创 CAN: Revisiting Feature Co-Action for Click-Through Rate Prediction
ABSTRACT受深度学习成功的启发，最近的工业点击率(CTR)预测模型已经从传统的浅层方法过渡到深度方法。深度神经网络(DNNs)具有从原始特征中自动学习非线性交互作用的能力，然而，非线性特征交互作用是以隐式方式学习的。这种非线性的交互作用可能很难捕捉并显式建模，原始特征的交互作用有利于CTR预测，协同作用指的是特征对最终预测的集体影响。在这篇文章中，我们认为目前的CTR模型没有充分挖掘特征共同作用的潜力。我们进行了实验，结果表明特征协同作用的效果被严重低估。基于我们的观察，我们提出了特征协同作用网络(
2021-02-04 15:36:42
755
原创 服务器上装torchtext
服务器不会连接外网，所以要先上传.whl文件资源之后再安装https://www.cnpython.com/pypi/torchtext/dl-torchtext-0.8.0-cp37-cp37m-manylinux1_x86_64.whlhttps://www.cnblogs.com/liuys635/p/12288794.html
2021-02-02 14:54:22
152
原创 Dynamic Memory based Attention Network for Sequential Recommendation AAAI 2021
作者德克萨斯农工大学阿里巴巴集团香港理工大学Abstract在各种在线服务中，顺序推荐变得越来越重要。它的目的是根据用户的历史交互来建模用户的动态偏好，并预测他们的下一个项目。真实系统上累积的用户行为记录可能非常长。这些丰富的数据带来了追踪用户实际兴趣的机会。之前的努力主要集中在根据相对较新的行为提出建议。然而，整个顺序数据可能没有得到有效利用，因为早期的交互可能会影响用户当前的选择。此外，在对每个用户执行推理时扫描整个行为序列已经变得无法忍受，因为现实世界中的系统需要较短的响应时间。为了弥补这一
2021-01-29 00:06:53
1343
1
原创 DynamicRec: A Dynamic Convolutional Network for Next Item Recommendation CIKM2020
ABSTRACT最近，卷积网络在为推荐的顺序用户交互建模方面显示出巨大的前景。关键是，这样的网络依赖固定的卷积核来捕获顺序行为。在这篇论文中，我们认为，在基于会话的设置中，项目到项目转换的所有动态可能在训练时间都是观察不到的。因此，我们提出了DynamicRec，它使用动态卷积来根据当前输入动态地计算卷积核。我们通过实验表明，在基于会话的环境下，该方法在真实数据集上的性能明显优于现有的卷积模型。日常用户与不同电子商务平台上的各种项目交互，执行一系列动态操作。这些平台通常使用会话密钥在短时间内记录这些顺序
2021-01-27 10:15:20
328
2020-CIKM.pptx
2021-05-17
rataGnn WWW2021 ppt
2021-03-06
2020-CIKM-Sequential Recommender via Time-aware Attentive Memory Network.pptx
2021-02-06
Group-Aware.pptx
2021-01-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人