提取文档文件
普通网友
这个作者很懒,什么都没留下…
展开
-
深度因式分解机
深度因式分解机Deep Factorization Machines学习有效的特征组合对于点击率预测任务的成功至关重要。因子分解机以线性范式对特征交互进行建模(例如,双线性交互)。对于实际数据来说,这通常是不够的,因为在实际数据中,固有特征交叉结构通常非常复杂和非线性。更糟糕的是,二阶特征交互在实际的分解机中通常被使用。从理论上讲,用因子分解机对高阶特征组合进行建模是可行的,但由于数值不稳定和计算复杂度高,通常不采用这种方法。一个有效的解决方案是使用深度神经网络。深度神经网络在特征表示学习方面具有强大原创 2020-07-02 15:50:51 · 486 阅读 · 0 评论 -
因子分解机
因子分解机Factorization Machines因子分解机(FM)[Rendle,2010]由Steffen Rendle于2010年提出,是一种可用于分类、回归和排序任务的监督算法。它很快就引起了人们的注意,并成为一种流行而有影响力的预测和推荐方法。特别地,它是线性回归模型和矩阵分解模型的推广。此外,它让人想起具有多项式核的支持向量机。与线性回归和矩阵分解相比,因式分解机的优势在于:(1)它可以建模X-变量交互作用,其中X是多项式阶数,通常设为2。(2) 与因子分解机相结合的快速优化算法可以将多原创 2020-07-02 14:54:42 · 313 阅读 · 0 评论 -
功能丰富的推荐系统
功能丰富的推荐系统Feature-Rich Recommender Systems交互数据是用户偏好和兴趣的最基本指示。在以前引入的模型中起着至关重要的作用。然而,交互数据通常非常稀疏,有时可能会有噪声。为了解决这个问题,可以在推荐模型中集成一些附加信息,比如条目的特性、用户的概要信息,甚至是交互发生的上下文。利用这些特性有助于提出建议,因为这些特性可以有效地预测用户的兴趣,特别是在缺少交互数据的情况下。因此,推荐模型也必须具备处理这些特性的能力,并赋予模型一些内容/上下文感知能力。为了演示这种类型的推原创 2020-07-02 14:05:03 · 149 阅读 · 0 评论 -
个性化排序的神经协同过滤
个性化排序的神经协同过滤Neural Collaborative Filtering for Personalized Ranking这一部分将超越显式反馈,介绍神经协作过滤(NCF)框架,用于推荐具有隐式反馈。隐式反馈在推荐系统中普遍存在。诸如点击、购买和观看等行为都是常见的隐性反馈,这些反馈很容易收集并指示用户的偏好。我们将介绍的模型名为NeuMF[He et al.,2017b],是神经矩阵分解的缩写,旨在解决带有隐式反馈的个性化排名任务。该模型利用神经网络的灵活性和非线性,代替矩阵分解的点积,提原创 2020-07-02 11:17:50 · 318 阅读 · 0 评论 -
推荐系统的个性化排名
推荐系统的个性化排名Personalized Ranking for Recommender Systems在前几节中,只考虑了明确的反馈,并根据观察到的评分对模型进行了训练和测试。这种方法有两个缺点:第一,大多数反馈不是显式的,而是在实际场景中隐含的,并且显式反馈的收集成本可能更高。第二,完全忽略了可以预测用户兴趣的未观察到的用户项对,使得这些方法不适用于由于用户偏好而不是随机缺失评级的情况。未观察到的用户项对是真实的负反馈(用户对项目不感兴趣)和缺失值(用户将来可能与项目交互)的混合体。简单地忽略了原创 2020-07-02 08:25:08 · 476 阅读 · 0 评论 -
自动编码器的评级预测
自动编码器的评级预测AutoRec: Rating Prediction with Autoencoders虽然矩阵分解模型在评级预测任务上取得了不错的效果,但本质上是一个线性模型。因此,这样的模型不能捕捉复杂的非线性和复杂的关系,这些关系可以预测用户的偏好。在本文中,介绍了一个非线性神经网络协同过滤模型AutoRec[Sedhain et al.,2015]。将协同过滤(CF)与自动编码器架构相结合,并在显式反馈的基础上将非线性转换整合到CF中。神经网络具有逼近任意连续函数的能力,适合于解决矩阵分解的原创 2020-07-02 06:12:34 · 585 阅读 · 0 评论 -
电影数据集
电影数据集The MovieLens Dataset有许多数据集可用于推荐研究。其中,MovieLens数据集可能是最受欢迎的数据集之一。MovieLens是一个基于web的非商业电影推荐系统。创建于1997年,由明尼苏达大学的一个研究实验室GroupLens管理,目的是为了研究目的收集电影分级数据。MovieLens的数据对于包括个性化推荐和社会心理学在内的一些研究都是至关重要的。Getting the DataMovieLens数据集由GroupLens网站托管。有几个版本可用。将使用Mov原创 2020-07-01 18:46:38 · 2921 阅读 · 0 评论 -
推荐系统
推荐系统Recommender Systems推荐系统广泛应用于工业领域,在日常生活中无处不在。这些系统被用于许多领域,如在线购物网站(例如。,亚马逊网站)音乐/电影服务网站(如Netflix和Spotify)、移动应用程序商店(如IOS应用程序商店和google play)、在线广告等等。推荐系统的主要目标是帮助用户发现要观看的电影、要阅读的文本或要购买的产品等相关项目,从而创造出令人愉悦的用户体验。此外,推荐系统是最强大的机器学习系统,在线零售商实施,以增加收入。推荐系统是搜索引擎的替代品,减少了原创 2020-07-01 11:15:37 · 310 阅读 · 0 评论 -
如何部署自动驾驶系统
如何部署自动驾驶系统自动驾驶软件部署方法、装置、终端及服务器,更具体的涉及一种自动驾驶车辆行驶途中下一地理位置区域所调用的自动驾驶软件部署方法、装置、终端及服务器。背景技术随着城市化建设带来的人口高度集中和交通产业的不断发展,社会对智能交通系统如何提供更加便捷、高效和人性化的服务,提出了越来越高的需求。自动驾驶是当前智能交通的重要发展方向,它作为一项新技术,是汽车行业当前的热点。自动驾驶车辆又称无人驾驶车辆、智能驾驶车辆、电脑驾驶车辆或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。这次要做的原创 2020-05-31 17:45:58 · 651 阅读 · 0 评论 -
深度学习调参体验(二)
深度学习调参体验(二)激活函数选择:常用的激活函数有relu、leaky-relu、sigmoid、tanh等。对于输出层,多分类任务选用softmax输出,二分类任务选用sigmoid输出,回归任务选用线性输出。而对于中间隐层,则优先选择relu激活函数(relu激活函数可以有效的解决sigmoid和tanh出现的梯度弥散问题,多次实验表明它会比其他激活函数以更快的速度收敛)。另外,构建序列神经网络(RNN)时要优先选用tanh激活函数。2、学习率设定:一般学习率从0.1或0.01开始尝试。学原创 2020-05-13 18:50:42 · 262 阅读 · 0 评论 -
深度学习调参体验(一)
深度学习调参体验(一)基本原则:快速试错一.一些大的注意事项:1.先上小规模数据, 模型往大了放,只要不爆显存, 能用256个filter就别用128个。直接奔着过拟合去。就是训练过拟合网络, 连测试集验证集这些都可以不用。为什么?要验证自己的训练脚本的流程对不对。这一步小数据量, 生成速度快, 但是所有的脚本都是和未来大规模训练一致的(除了少跑点循环)。如果小数据量下, 这么粗暴的大网络奔着过拟合去都没效果。要开始反思自己了, 模型的输入输出是不是有问题? 要不要检查自己的代码(永远不要怀原创 2020-05-13 18:34:01 · 723 阅读 · 0 评论 -
Git 快速控制
Git 快速控制聊聊学习 Git 那些事现在回想起来,其实接触 Git 的时候是在大一的时候表哥带入门的。当时因为需要做一个项目,所以他教如何使用 Git 将写好的代码推送到 GitHub 上,然后再从远程仓库拉到本地。起初因为没有接触过 Git,觉得这玩意很难学,又是一大堆命令需要记忆,在他教的时候内心是抵触的,当时觉得为什么不把写好的代码发送给呢?你是否也有过这样的疑问呢?学习 Git 的时候,因为没有和他认真学,在他教过一遍之后还是一脸懵逼,写命令的时候也是不时地回头查看。因为不懂得 Git原创 2020-05-13 07:08:16 · 283 阅读 · 0 评论 -
Python脚本语言写法
Python脚本语言写法脚本语言的开始行,是指文件中的代码用什么可执行程序去运行它,就这么简单。#!/usr/bin/python是告诉操作系统执行这个脚本的时候,调用/usr/bin下的python解释器;#!/usr/bin/env python这种用法是为了防止操作系统用户没有将python装在默认的/usr/bin路径里。当系统看到这一行的时候,首先会到env设置里查找python的...原创 2020-05-04 16:22:11 · 296 阅读 · 0 评论 -
从单一图像中提取文档图像:ICCV2019论文解读
从单一图像中提取文档图像:ICCV2019论文解读DewarpNet: Single-Image Document UnwarpingWith Stacked 3D and 2D Regression Networks论文链接:http://openaccess.thecvf.com/content_ICCV_2019/papers/Das_DewarpNet_Single-Image_...原创 2020-04-01 19:41:40 · 1086 阅读 · 0 评论