- 博客(50)
- 收藏
- 关注
RSS订阅
原创 Latex符号、公式
转义字符$ # % & ~ _ ^ \ { }并集：\cup ∪\cup∪集合减 \backslash \\backslash\积分 \int_{-N}^{N} e^x, dx ∫−NNex dx\int_{-N}^{N} e^x\, dx∫−NNexdx
2021-05-19 01:26:12
1805
原创 一个帮各位填秋招表格省一点事的浏览器插件
用法：投递简历后，在查看投递进度的页面使用插件的按钮，生成能够自动在Excel/WPS/飞书表格中自动分列的字符串，并加入剪贴板。自定义：可以根据自己的表格排版修改源码。使用：新建文件夹，用浏览器扩展载入。然后自己填公司名和地址就好。
2023-09-08 22:34:18
1446
原创 学习设计模式之代理模式，但是宝可梦
作者在准备秋招中，学习设计模式，做点小笔记，用宝可梦为场景举例，有错误欢迎指出。代码同步更新到,要是点个Star您就是我的神。
2023-09-05 17:01:05
3540
1
原创 学习设计模式之享元模式，但是宝可梦
享元模式很好理解，它主要是为了减少创建对象的数量，属于结构型设计模式目的：减少创建对象的次数方法：复用对象何时使用：系统大量需要对象，该创建对象的消耗很大抽象享元类(Flyweight)：声明享元类的公共方法具体享元对象(Concrete Flyweight)：抽象享元类的具体实现享元工厂类(Flyweight Factory)：创建、管理享元对象。还是老样子，一上来一堆概念和角色名次，如果不熟悉线程池的读者朋友，或许还是云里雾里。那么，进入宝可梦世界。
2023-08-22 23:33:53
645
原创 学习设计模式之装饰器模式，但是宝可梦
为了不改变组件的结构，动态地扩展其功能。通常，扩展功能通过子类进行，但是继承的方式具有静态特征，耦合度高。意图：动态地给对象添加额外的功能主要解决：继承方式是静态特征，扩展的功能多的时候，子类会太膨胀何时使用：不想增加很多子类的时候扩展类。
2023-08-21 00:08:51
420
原创 SpringBoot+MyBatis+PageHelper实现分页(及实现原理简述)
传入默认值，还可以加入查询条件，配合搜索框一起筛选查询分页组件绑定该方法，传入当前页码。
2023-06-25 18:21:36
188
原创 MyBatis处理实例类与数据库表字段不同的几种方法
一些博客说推荐用xml进行开发，因为注解只适用于简单sql，所以个人先摒弃第三种方法。对于使用xml文件的两种方法，我认为数据库表中，如果有下划线的字段较多，ResultMap是个更好的选择，比较清晰；用别名的方法唯一好处就是偷懒，方便。所以更建议第二种方法，做个学院派的开发者。
2023-06-25 16:31:09
276
原创 REASONER: An Explainable Recommendation Dataset with Multi-aspect Real User Labeled Ground Truths阅读
【背景】可解释推荐已经引起了业界和学术界的广泛关注。它在提高推荐说服力、信息量和用户满意度方面显示出巨大的潜力。尽管在过去几年中提出了许多有前途的可解释推荐模型，但这些模型的评估策略存在一些局限性。【动机】解释的基本事实没有被真实用户标记，解释大多仅基于一个方面进行评估，评估策略难以统一。【方法】构建一个可解释的推荐数据集。首先，开发了一个视频推荐平台，精心设计了一系列围绕推荐可解释性的问题。然后，我们招募了大约 3000 名不同背景的用户来使用该系统，并收集他们的行为和对我们问题的反馈。
2023-05-30 14:53:16
191
原创 Demographic Prediction. 人口统计预测相关调研
由于电影数据集的稀疏性，以及用户观看数量的不均匀，比如有的用户看了上百部电影，有的用户只看了20部，这就造成了用户向量中非零元素分布不均匀，为了减少用户向量的非零元素个数，作者提出了两个点，分别是“Which”和“What”，即：在哪个位置补充评分，和补充值为多少的评分。（1）TOP_S：物理意义就是选取矩阵分解评分预测结果最大的n个电影的下标，至于这个n是多少，就用下标的平方和的二次根来决定，让D的二范数等于S，这里作者也没说原因，我的猜测是尽量选取下标靠前的电影。作者说的逻辑回归的系数？
2022-10-23 21:23:49
878
1
原创 User-controllable Recommendation Against Filter Bubbles 阅读笔记
推荐系统通常面临filter bubbles的问题：基于用户特征和历史交互过度推荐同类项目。过滤气泡会沿着反馈循环增长，并在不经意间缩小用户兴趣。现有的工作通常通过结合除准确性之外的目标（例如多样性和公平性）来减轻过滤器泡沫。但是，它们通常会牺牲准确性，损害模型保真度和用户体验。更糟糕的是，用户不得不被动地接受推荐策略，并以低效且高延迟的方式影响系统，例如，不断提供反馈（例如，喜欢和不喜欢），直到系统识别出用户意图。【补充】关于。......
2022-08-05 23:35:23
620
原创 CFFNN: Cross Feature Fusion Neural Network for Collaborative Filtering 阅读笔记
U,I,Y∈RM×N用户、项目、交互集合，M和N分别是用户、项目的总数.
2022-07-28 11:00:35
256
1
原创 AutoField: Automating Feature Selection in Deep Recommender Systems 阅读笔记
特征质量对推荐性能有重要影响。因此，特征选择是开发基于深度学习的推荐系统的关键过程。然而，大多数现有的深度推荐系统都专注于设计复杂的神经网络，而忽略了特征选择过程。通常，他们只是将所有可能的特征输入到他们提出的深度架构中，或者由人类专家手动选择重要特征。前者导致非平凡的嵌入参数和额外的推理时间，而后者需要大量的专家知识和人力。在这项工作中，我们提出了一个AutoML框架，该框架可以以自动方式自适应地选择基本特征字段。具体来说，我们首先设计了一个可微控制器网络，它能够自动调整选择特定特征场的概率；......
2022-07-17 08:31:07
2458
2
原创 Disentangling Long and Short-Term Interests for Recommendation阅读笔记
WWW’ 22的文章对用户的长期兴趣和短期兴趣进行建模是准确推荐的关键。然而，由于没有用户兴趣的人工标注，现有的方法总是遵循这两个方面纠缠在一起的范式，这可能会导致推荐准确率和可解释性较差。为了解决这一问题，我们提出了一个对比学习框架，以区分长期和短期利益的推荐(CLSR)和自我监督。具体地说，我们首先提出了两个独立的编码器来独立地捕获不同时间尺度的用户兴趣。然后，我们从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其对应的兴趣代理之间的相似性。最后，由于长期兴
2022-07-01 18:31:36
905
原创 SASRec: Self-Attentive Sequential Recommendation阅读笔记
Self-Attentive Sequential Recommendation2018年的经典文章时序动态是许多现代推荐系统的一个关键特征，它们试图根据用户最近执行的操作来捕捉用户活动的“背景”。为了捕捉这种模式，出现了两种方法：马尔可夫链(MC)和递归神经网络(RNN)。马尔科夫链假设用户的下一个动作可以根据他们的最后(或最后几个)动作来预测，而RNN原则上允许发现更长期的语义。一般而言，基于MC的方法在模型简约性至关重要的极稀疏数据集中执行得最好，而RNN在较密集的数据集中执行得更好，因为较高的模型
2022-06-30 23:03:09
1383
原创 BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer阅读笔记
BERTRec (arxiv)一篇2019的文章，浅读一下从用户的历史行为中对其动态偏好进行建模，对于推荐系统来说是具有挑战性的，也是至关重要的。以前的方法采用顺序神经网络将用户的历史交互行为从左到右编码为隐性表征，以便进行推荐。尽管它们很有效，但我们认为这种从左到右的单向模型是次优的，因为其局限性包括：a）单向架构限制了用户行为序列中隐藏表征的能力；b）它们通常假设一个严格的顺序，这并不总是实用的。为了解决这些局限性，我们提出了一个名为BERT4Rec的顺序推荐模型，它采用了深度双向自我关注来模拟用户行
2022-06-28 20:00:25
388
原创 AttRec: Next Item Recommendation with Self-Attention阅读笔记
Next Item Recommendation with Self-Attention (arxiv.org)这篇文章是18年的一篇文章，作为常用的baseline，大概阅读一下。本文提出了一种新的序列感知推荐模型。该模型利用自注意力机制从用户的历史交互中推断出项与项之间的关系。通过自适应，它能够估计用户交互轨迹中每一项的相对权重，从而学习用户瞬时兴趣的表示。模型最终在一个度量学习框架中进行训练，同时考虑了短期和长期意图。在不同领域的大量数据集上的实验表明，我们的方法比最先进的方法有很大的优势。模型由两部
2022-06-27 17:24:18
376
原创 RecBole Ver1.0入门笔记
官方教学：https://recbole.io/cn/quickstart.html1. 安装pip install recbole2. 使用from recbole.quick_start import run_recboledataset = 'ml-1m'model = 'NeuMF' # 从对比算法选择# 参数para_dic = { 'training_batch_size': 512, 'eval_batch_size': 512,
2022-04-11 20:19:41
3667
2
原创 一个例子解读推荐系统思路的区别【基于人口统计、基于内容、基于项目和用户的协同过滤推荐算法】
1. 非协同过滤1.1 基于人口统计信息的推荐1.2 基于物品内容的推荐2. 协同过滤2.1 基于用户的协同过滤2.2 基于物品的协同过滤3. 不同推荐系统算法的比较
2022-02-15 15:08:12
998
原创 理解一下贝叶斯公式
贝叶斯定理通常，事件A在事件B发生的条件下发生和事件B在事件A发生的条件下发生的概率是不同的，但是有一定的相关性，贝叶斯公式就描述这个情况：P(A∣B)=P(B∣A)P(A)P(B)P(A|B)=\frac{P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(B∣A)P(A)P(A) 这是概率中最基本的符号，表示 A 出现的概率。比如在投掷骰子时，P(2) 指的是骰子出现数字“2”的概率，这个概率是 六分之一。P(B|A) 是条件概率的符号，表示事件 A 发生的条件下，事件 B 发生的概
2022-01-16 16:37:15
1622
原创 二元交叉熵 binary cross entropy
二元交叉熵 binary cross entropy理解一下这个损失函数，一般来说，适用于二分类任务，但是在几个推荐系统的paper中看到了这个损失函数，先上公式：Loss=−1N∑i=1Nyi⋅log(p(yi))+(1−y)⋅log(1−p(yi))Loss=-\frac1N\sum_{i=1}^Ny_i \cdot\log(p(y_i))+(1-y)\cdot\log(1-p(y_i))Loss=−N1i=1∑Nyi⋅log(p(yi))+(1−y)⋅log(1−p(yi))其中，
2022-01-13 16:39:16
3799
原创 算法课一些笔记
1.递归和分治1.1 分治法基本思想将一个规模为n的问题分解为k个规模较小的问题，这些子问题相互独立且与原问题相同。递归地解决这些子问题，然后将各子问题的解合并得到原问题的解。*平衡子问题：尽量使子问题规模相同。1.2 递归方程T(n)={O(1)n=1kT(n/m)+f(n)n>1T(n)=\left\{\begin{aligned}& O(1) &n=1\\& kT(n/m)+f(n) & n>1\end{aligned}\right.T
2021-11-22 17:43:13
120
原创 Relational Collaborative Filtering- Modeling Multiple Item Relations for Recommendation笔记
提出问题现有的基于项目的协同过滤方法（ICF）只利用了协同相似性的关系，比如用户交互（评级、购买）证明的项目相似性。但是，现实场景中，项目存在多种关系，比如两部电影共享一个导演、两个产品互相补充。与从用户角度隐含共同交互模式的协同相似性不同，这些关系揭示了来自元数据不同角度的细粒度知识。本文提出了关系协同过滤（RCF）来挖掘推荐系统中的多项关系。关系类型（比如共享导演）和关系值（比如某演员）在推断用户喜好的时候都是很重要的。所以本文提出一种两级分层注意机制来建模用户偏好。第一级注意区分哪些类型的关系更重
2021-10-13 00:05:23
338
原创 推荐系统的评价指标笔记（NDCG、MAP、AUC、HR、MRR）
NDCGNormalized Discounted Cummulative Gain累积增益CG，CG表示每个推荐结果相关性的分数的累加，CGk=∑i=1kr(i)CG_k=\sum_{i=1}^kr(i)CGk=i=1∑kr(i)其中relirel_ireli是位置iii的推荐结果的相关性，kkk是推荐列表的大小.如果我们考虑到位置对推荐的影响，比如，相关性高的应该尽量排在推荐列表的前面。这里引入DCG，考虑位置的影响因素：DCGk=∑i=1kr(i)log2(i+1)DCG_k=\s
2021-09-27 16:18:04
4389
原创 论文实验部分的撰写
4 ExperimentsIn this section, we present the experiment results to answer the following questions.1) xxxx2) xxxx3) xxxx4.1 Parameter settingChoose one or two parameters.Observe the trend of the evaluation index with the change of the parameters throu
2021-09-26 16:05:47
307
原创 推荐系统评价指标综述笔记
目录How good your recommender system is? 阅读笔记1.Utility1.1 Error metrics1.2 Precision and Recall1.3 Ranking score2.NoveltyHow good your recommender system is? 阅读笔记介绍推荐系统的评价指标从历史上看，评估可以在在线和离线的实验中进行。在线实验包括发布推荐后询问用户评价，在线实验可以从用户那里得到精确的结果，但是花费比较多(costly). 所以研究者
2021-09-22 22:46:20
1480
原创 语音增强、去噪文献调研
语音增强paper1:简介论文 （期刊和发表时间）Speech Enhancement Using a- Minimum Mean- Square Error Short-Time Spectral Amplitude Estimator (IEEE Transactions on acoustics, speech, and signal processing-1984)论文链接https://ieeexplore.ieee.org/abstract/document/1164453主要 i
2021-09-17 22:29:11
895
原创 2021年第3周推荐系统方向的周报
1. 快速进入研究状态1.1 了解研究内容读综述。目前计划How good your recommender system is? A survey on evaluations in recommendation 评价指标综述Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions 推荐系统综述1.2 熟悉写文章规范接手师兄师姐工作
2021-09-15 17:18:59
116
原创 python画图填充线状阴影
x = np.linspace(-4,4,9)y = -xplt.plot(x,y)# 填充绿色大色块plt.fill_between(x, 0, y, where=abs(x)>=2,facecolor='green', alpha=0.3)#填充白色搞阴影for i in np.linspace(2,8,40): # 第三个参数调整间距 a = x = np.linspace(-8,4,9) # 可以调位置 b = a + i c = a + i - 0.
2021-09-09 20:37:56
3481
原创 如何做研究，如何写论文
1. 如何做研究TPIC -> Writing -> SubmitT: Topic:P: ProblemI: IdeaC: Concrete work1.1 关于Topic计算机科学领域发展到今天已经有很多分支和领域，一个分支中也有很多话题。要先进入一个具体的领域研究就要先有了解。通常导师给你一个topic，然后通过阅读相关文献了解话题的研究历程、研究现状。Topic的关键：1.兴趣 2.知识储备 3.资源1.2 关于Problem“问题”是科学研究的心脏 !有价值
2021-09-09 11:35:30
285
原创 numpy和matplotlib学习
目录plot()1. 折线图1.1 生成数据1.2 读取数据2.plot参数2.1 两种写法2.2 常用参数饼图 pie()plot()1. 折线图1.1 生成数据numpy.linspace(0, 2, 100)linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)在[start,end]的范围中返回num个等间距的值。endpoint:True or False. Default : true.
2021-08-24 17:14:52
218
原创 日撸 Java 三百行（51-60天，kNN 与 NB）
原文:日撸 Java 三百行（51-60天，kNN 与 NB）目录51.kNN 分类器51.kNN 分类器在老板的代码基础上做了修改和部分注释. 延伸:package day60;import java.io.FileReader;import java.util.Arrays;import java.util.Random;import extra.ToolForIRIS;import weka.core.*;/** * kNN classification. * * @a
2021-08-22 23:24:53
18826
原创 日撸代码300行（41-50天，查找与排序）
原文：日撸代码300行（41-50天，查找与排序）41.顺序查找与折半查找42.哈希表43.插入排序package day50;/** * Day 41: 顺序查找，二分查找 * 和老板保持一致，用键值对数据进行学习. * * @author pzf */public class DataArray { /** * 内部类. 数据节点. */ static class DataNode { int key; // 键
2021-08-15 18:19:57
16401
原创 作业Day5
原文：数学表达式: 从恐惧到单挑 (14. 决策表)Q1:课堂练习1.1 写出本例中的 U\mathbf{U}U, C\mathbf{C}C, D\mathbf{D}D和 V\mathbf{V}V. 注: 最后两个属性为决策属性.U={x1,x2,…,x7}\mathbf U=\{x_1,x_2,\dots,x_7\}U={x1,x2,…,x7};C={\mathbf C=\{C={Patient, Headache, Temperature, Lymphocyte, Leukocyte,
2021-08-03 15:08:35
97
原创 作业Day4
Q1:定义无向网络Definition: An undirected net is a tuple G=(V,w)G=(\mathbf V,w)G=(V,w),where V\mathbf VVis the set of nodes,and w:V×V→Rw:\mathbf V\times \mathbf V\to\Rw:V×V→R is the weight function where w(vi,vj)w(v_i,v_j)w(vi,vj) is the weight of the arc ⟨vi,
2021-08-02 13:53:19
126
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