qq_52806062的博客

原创 安装CUDA Cudnn Pytorch(GPU版本）步骤

1.打开NVIDIA控制面板2.点击帮助---系统信息--组件我的支持CUDA11.6。

原创 以下是一些当前市场上较为常见的显卡型号，主要基于NVIDIA和AMD两大主流品牌：

当前市场上的显卡型号繁多，用户可以根据自己的需求和预算选择合适的显卡。在购买时，建议参考最新的显卡性能天梯图和用户评价等信息，以便做出更加明智的决策。同时，也需要注意显卡的散热性能、接口类型、功耗等因素，以确保显卡的稳定运行和长期使用寿命。

原创 为什么在序列化推荐中融入社交网络呢？

原创 FKAN-GCF代码解读

diag = np.array(sumArr.flatten())[0] + 1e-7 # 扁平化后取第一个元素（这里可能是多余的，直接sumArr.A1d可能更直接）SparseL = torch.sparse.FloatTensor(i, data, torch.Size(L.shape)) # 创建稀疏张量。inter_M_t = self.interaction_matrix.transpose() # 交互矩阵的转置。# 构造一个大小为n_items+n_users的单位矩阵。

原创 开源项目的深潜：深掘机遇，直面挑战

在科技探索的深邃海洋中，开源项目不仅是一艘破浪前行的旗舰，更是深入未知领域、挖掘技术宝藏的潜水器。它们引领着技术创新的潮流，同时也直面着深海中的未知挑战。本文将深入剖析开源项目所蕴含的深层次机遇与必须克服的严峻挑战，揭示其背后的深层逻辑与战略意义。

原创 KAN-Mixer每行代码解读

KAN(num_patch, token_intermediate_dim, dropout, grid_size, spline_order), # Token Mixer，注意这里num_patch可能是一个误用，通常应该是embedding_dim。permuted_x = torch.permute(x, (0, 2, 3, 1)) # 新的维度顺序为(batch_size, sqrt(num_patches), sqrt(num_patches), embedding_dim)

原创 序列化推荐与社会化推荐的区别

序列化推荐序列化推荐。

原创 KAN和MLP

固定的。

原创 写作的要求

写作要求

原创 论文格式全攻略：三线表、跨页处理、页眉页脚设置及图/表目录自动生成

先把光标放在第二页表格的第一行的字前 CTRL+shift+enter →此时，光标在表格上面，我们把这个表格的表注复制一下 写上 续表 如表3-1（续表），然后在此表的第一行 点击 插入一行（在上方） 复制我们的标题行粘贴在这个插入的行里。5.右键域代码，选择【更新域】，变为[13]，中间加破折号变为[1-3] ,//若是[1,2,3],域代码中间加个0。2.光标移至要引用的位置，选择【引用】-【交叉引用】，分别插入要引用文献编号的首位和末位，这里以[1]和[3]为例。6.选中[1-3]，设置上标。

原创 MMMLP笔记--Multi-modal Multilayer Perceptron for Sequential Recommendations

问题：现有的序列化推荐方法不能直接处理多模式数据，或者存在较高的计算复杂度。解决办法：提出一种新的多模态多层感知器（MMMLP）架构，用于维护序列化推荐的多模式序列。怎么做的： MMMLP是一个纯基于MLP的架构，由三个模块组成，分别是特征混合器层、融合混合器层和预测层，该架构在效率和效果上都具有优势，能在具有线性复杂度的情况下达到最佳性能。实验部分： 通过消融分析验证每个组件的贡献，证明每个模块的重要性。设计相容实验。

原创 GCRec笔记--Graph-Augmented Capsule Network forNext-Item Recommendation

在这项工作中，我们提出了一个图增强的胶囊网络来完成下一项推荐任务。具体地说，我们的模型包括：1)学习用户信息的长期表示的线性图卷积模块；2)对相对顺序敏感并捕捉并集级序列模式的特定用户胶囊模块；3)位置感知模块，在点级区分L阶MC中每一物品的重要性。为了自适应地结合长期和短期用户兴趣，我们进一步设计了双门控机制，在不同的时间步长确定每个模块对不同用户的贡献率。在四个公共基准上的广泛实验表明，我们的解决方案在一系列最先进的模块上获得了显著的性能提升，并验证了所设计模块的合理性。

原创 FinalMLP笔记

问题：在CTR预测中，单独应用一个普通的MLP网络在学习乘法特征交互方面效率较低，现有的双流交互模型（如DeepFM和DCN），由于MLP流隐式学习特征交互，现有研究主要集中在增强互补流中的显式特征交互。解决方法：作者提出了特征门控层和交互聚合层，形成增强的双流MLP模型--FinalMLP。怎么做的： 1. 将两个MLP组合在一起，形成双流MLP模型。2. 引入特征门控层和交互聚合层，以支持不同的特征输入和有效融合跨两个流的流级交互。

原创 SASRec笔记

注意力权重的可视化还显示了我们的模型如何自适应地处理不同密度的数据集，并揭示了活动序列中的有意义的模式。：在每个时间步骤中，SASRec都试图从用户的行为历史中识别出哪些物品是“相关的”，采用自注意力机制来对用户的历史行为信息建模，最后使用它们来预测下一个物品。答：采样分为训练采样和测试采样，此处是测试采样，像LightGCN指的是训练采样，加快训练，对于采样有关知识，可在学习了解一下。答：编程的时候，希望输入的是个矩阵，长度不固定，输入数据就会不规则，不能用向量矩阵操作，从而不能发挥性能优势。

原创 NGCF笔记

进一步的分析验证了表征传播对于学习更好的用户和物品表示的重要性，证明了NGCF的合理性和有效性。这就导致了用户-物品图中高阶连通性的表达建模，有效地将协作信号显式地注入到表征过程中。：我们在三个真实世界的数据集上进行实验，以评估我们提出的方法，特别是表征传播层，也提出了三个问题并对这三个问题进行实验分析。大量的研究结果证明了NGCF的最先进性能以及用神经表征传播提高表征质量的有效性。：在用户-物品交互中隐藏的协作信号在表征过程中没有编码。： 1.在基于模型的CF方法的表征函数中，我们强调了明确利用协作。

原创 LightGCN笔记

e(L)u）和物品（e(0)i，e(1)i，…：用GCN做推荐缺乏全面的消融分析，GCN中两种最常见的设计-特征转换 和非线性激活对协同过滤的性能贡献很小，另外，它们会增加训练的难度并降低推荐性能。：我们先描述实验设置，然后与NGCF进行详细比较，为了验证LightGCN中的设计并揭示其有效性的原因，我们进行了消融研究和表征分析。：LightGCN通过在用户-物品交互图上线性传播用户和物品表征，并使用在所有层上学习到的表征的加权和作为最终的表征。(公式部分解释为借鉴，感觉他人解释的易于明白！

原创 Graph-Based Embedding Smoothing for Sequential Recommendation（GES）

在这里，"signal" 指的是输入的信号或数据，通常用于图形卷积神经网络（Graph Convolutional Networks，GCN）中。这个信号可以是节点特征矩阵、边缘权重矩阵等，用于表示图结构中的信息。通过与参数化滤波器（即图卷积操作）的乘积，可以对信号进行处理和分析，从而学习图结构中的特征和关系。文献总结：问题：基于物品属性的语义物品关系（在推荐中对衡量物品相似性至关重要）在序列化推荐模型中没有被好好利用。解决方法：提出了通用的表征平滑框架，对物品-物品之间的关系进行建模。怎么做。

原创 最常见的机器学习模型

原理：神经网络是一种模仿人脑的结构，由多个神经元层组成，通过学习权重来进行复杂模式识别。原理：决策树是一个树状结构，根据数据特征选择最佳的分支来进行分类或回归。原理：SVM通过找到数据点之间的最佳超平面来进行分类，最大化分类间隔。原理：朴素贝叶斯基于贝叶斯定理，通过计算每个特征的条件概率来进行分类。原理：线性回归通过拟合数据点到一条直线，以建立输入和输出之间的关系。原理：随机森林是多个决策树的集成，通过投票或平均值来进行分类或回归。优点👍：高度准确，能处理大量特征，不需要特征选择。

原创 神经网络相关知识

✨ 原理：GCN使用邻接矩阵来表示图数据，通过卷积操作来聚合节点信息。每个节点的表示会被更新，考虑到其邻居节点的信息。✨ 特点：简单易懂，适用于小规模图。参数共享，计算高效。✨ 优点：👍良好的泛化能力：适用于不同的图数据。节点表示紧密耦合：能够捕捉到节点之间 的关系。✨ 缺点：👎不适用于大规模图：对于大型图，内存和计算资源需求较高。对图结构变化不敏 感：无法自适应处理动态图。

原创 推荐系统之序列推荐

序列推荐是推荐系统的一种重要类型，其主要任务是根据用户的历史行为序列预测他们的下一个行为。这种类型的推荐系统重视用户行为的时序性，比如一个用户可能先购买手机，然后购买手机壳，最后购买手机膜。这种行为序列中的时间顺序对于预测用户的下一个行为至关重要。✅基于深度学习的序列推荐模型在近年来得到了广泛的应用和研究，以下是一些常见的模型：1⃣RNN-based模型：⭐️特点：能够处理长序列数据，记住历史信息，并基于这些信息进行预测。👍优点：对于时间序列的处理效果较好，能够有效地捕获序列中的模式。👎缺

原创 深度学习常用的激活函数、优化器? 各自的优缺点

4⃣Tanh函数: f(x) = (exp(x) - exp(-x)) /(exp(x)+exp(-x))5⃣Softmax函数: f(x i) = exp(x i) / sum(exp(x_j))7⃣Softplus函数: f ( x ) =In ( 1 + exp x ）1⃣Sigmoid函数: f(x) = 1 /(1 + exp(-x))3⃣Leaky ReLU函数: f(x) = max(0.01x,x)6⃣Swish函数: f(x) = x* sigmoid(x)

原创 常见损失函数汇总整理！

原理: Triplet Loss用于学习嵌入向量，通过最小化锚点与正例之间的距离同时最大化锚点与负例之间的距离来提高嵌入向量的质量。原理: Focal Loss用于解决类别不平衡问题，通过降低易分类样本的权重来关注难分类样本。原理: CE广泛用于分类问题，通过度量实际类别与预测类别之间的差距来评估模型性能。原理: KL散度度量两个概率分布之间的差异，通常用于衡量两个分布之间的相似性。原理: MAE用于回归问题，衡量实际值与预测值之间的绝对差距。原理: MSE用于回归问题，通过计算实际值与预测值之间的。

原创 postman里找不到页面 404

。。

原创 [Vue warn]: Property or method “rules“ is not defined

。。。

原创 No qualifying bean of type ‘org.springframework.transaction.TransactionManager‘ available]

。。

原创 [ERROR] Context initialization failedorg.springframework.beans.factory.BeanDefinitionStoreException

[ERROR] Context initialization failedorg.springframework.beans.factory.BeanDefinitionStoreException: Failed to parse configuration class [com.itheima.config.SpringConfig]; nested exception is java.io.FileNotFoundException: Could not open ServletContext re

原创 完成品牌数据的增删改查操作查询时出现错误

完成品牌数据的增删改查操作

原创 操作系统第六章测试题总结

操作系统第六章测试总结*

原创 操作系统第五章测试题总结

操作系统第五章测试题总结

原创 操作系统第七章测试题总结

操作系统第七章测试题总结

原创 操作系统第八章和第九章测试题总结

操作系统

原创 操作系统第四章测试题总结

操作系统第四章测试题总结

原创 操作系统第三章测试题总结

操作系统第三章测试题

原创 操作系统第二章测试题

操作系统第二章测试题

原创 操作系统第一章测试题总结

操作系统第一章测试题总结