- 博客(149)
- 收藏
- 关注
RSS订阅原创 Multi-Behavior Recommendation with Cascading Graph Convolution Networks （WWW 2023）
Multi-Behavior Recommendation with Cascading Graph Convolution Networks （WWW 2023）
2024-01-12 17:33:16
417
原创 Cascading Residual Graph Convolutional Network for Multi-Behavior Recommendation (TOIS 2024)
Cascading Residual Graph Convolutional Network for Multi-Behavior Recommendation (TOIS 2024)
2024-01-12 16:55:40
1080
原创 论文阅读: Multi-view Multi-behavior Contrastive Learning in Recommendation (DASFAA 2022)
Multi-view Multi-behavior Contrastive Learning in Recommendation
2023-10-25 22:57:13
201
原创 论文阅读: Self-supervised Graph Neural Networks for Multi-behavior Recommendation (IJCAI2022)
Self-supervised Graph Neural Networks for Multi-behavior Recommendation
2023-10-25 15:19:42
340
原创 论文阅读：Heterogeneous Graph Contrastive Learning for Recommendation（WSDM ’23）
Heterogeneous Graph Contrastive Learning for Recommendation
2023-04-25 21:49:16
1650
2
原创 论文阅读: Multi-behavior Recommendation with Graph Convolutional Networks(SIGIR2020)
Multi-behavior Recommendation with Graph Convolutional Networks
2023-04-20 20:58:50
425
2
原创 tensorflow1.版本和tensorflow2.版本复制张量元素个数
tensorflow1. 和tensorflow2. 复制张量元素个数
2023-03-29 09:40:24
166
原创 论文阅读：On the User Behavior Leakage from Recommender System Exposure
On the User Behavior Leakage from Recommender System Exposure
2022-11-23 19:15:21
500
原创 论文阅读：Attention-driven Factor Model for Explainable Personalized Recommendation
AFM、GAU
2022-10-13 11:46:12
364
3
原创 论文阅读:How to Put Users in Control of their Data in Federated TopN Recommendation with Learning toRank
FPL
2022-10-11 22:39:42
188
1
原创 论文阅读：An Attribute-aware Attentive GCN Model for Attribute Missing in Recommendation
A2_gcn
2022-08-30 21:55:38
362
原创 论文阅读：RGCF: Refined Graph Convolution Collaborative Filering with Concise and Expressive Embedding
RGCF: Refined Graph Convolution Collaborative Filering with Concise and Expressive Embedding
2022-07-29 19:32:36
377
原创 论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
2022-07-28 20:06:27
469
原创 论文阅读：Neural Graph Collaborative Filtering
Neural Graph Collaborative Filtering
2022-07-28 19:02:13
457
原创 论文阅读：SPR:Supervised Personalized Ranking Based on Prior Knowledge for Recommendation
SPR:Supervised Personalized Ranking Based on Prior Knowledge for Recommendation
2022-07-17 18:49:22
240
原创 AI学习命令行自用总结
jupyter 进入非C盘：cd D:jupyter notebook查看GPU进程nvidia-smi实时查看GPU进程nvidia-smi -l 10
2022-03-02 09:39:35
546
原创 Attentional Factorization Machine（AFM）复现笔记
声明：本模型复现笔记记录自己学习过程，如果有错误请各位老师批评指正。之前学习了很多关于特征交叉的模型比如Wide&Deep、Deep&Cross、DeepFM、NFM。对于特征工程的特征交叉操作，这些模型已经做的非常好了，模型进一步提升的空间已经很小了，所以很多研究者继续探索更多"结构"上的尝试，比如注意力机制、序列模型、强化学习等在其他领域表现得很好的模型结构也逐渐进入推荐系统。本周就学习了注意力机制在推荐系统中的应用。注意力机制不懂的同学学一下李沐老师的注意力机制这一节课AFM
2021-12-30 22:21:43
1265
原创 Wide&Deep Model、Wide Model（LR）、Deep Model、DeepFm Model、NFM Model复现笔记
声明：本模型复现笔记记录自己学习过程，如果有错误请各位老师批评指正。本周复现了Wide&Deep Model、Wide Model、Deep Model、DeepFm Model、NFM Modeldataset：cretio数据集（选取了train 20000， test 5000）Wide&Deep Model结合了Wide Model（LR）的记忆性和Deep Model的泛化能力，对于部署应用来说会提高用户的获取率和满意度，但是Wide&Deep的Wide part，需
2021-12-24 12:09:22
1594
1
原创 Neural Collaborative Filtering学习笔记
学习《Neural Collaborative Filtering》。该论文介绍了利用深度神经网络去建模user-item interaction，提出了NCF框架，并实例化GMF、MLP、NeuMF。MF出现的问题1.假设所有隐藏因子相互独立，MF可以被看做是线性模型（在做内积时，相当于对应位置的权重都是1），仅仅是对浅层特征做处理，结果偏差较大。2.MF的隐藏因子不好确定。对于一个复杂的user-item interaction，低维的效果不好，但是对于一个稀疏矩阵，增加隐藏因子的数量变成高维可能会
2021-12-03 14:22:14
1575
原创 Factorization Machines. VS Support Vector Machines.（理解+实现）
FM是什么？FM(Factorization Machine，因子分解机)主要是为了解决数据稀疏的情况下，特征怎样组合的问题。为什么使用FM？正如FM是什么说的，FM主要用来解决：1.数据稀疏 2.特征组合。1.数据稀疏：现如今在推荐系统中存在这种问题，例如一个书店网上商城，商城中有几百万本书籍，大部分用户最多也就买几本或者几十本，在一条用户向量中绝大部分的值都是0。2.特征组合：在现在的机器学习建模中，如果直接对特征进行建模，会使我们忽略了特征与特征之间的交互关系（比如男生喜欢运动类，女生喜欢
2021-12-01 20:36:29
868
转载 hmmlearn实现HMM模型三个问题
hmmlearn实现了三种HMM模型类，按照观测状态是连续状态还是离散状态，可以分为两类。GaussianHMM和GMMHMM是连续观测状态的HMM模型，而MultinomialHMM是离散观测状态的模型，也是我们在HMM原理系列篇里面使用的模型。对于MultinomialHMM的模型，使用比较简单，"startprob_"参数对应我们的隐藏状态初始分布, "transmat_"对应我们的状态转移矩阵, "emissionprob_"对应我们的观测状态概率矩阵。对于连续观测状态的HMM模型，Gaussi
2021-10-15 12:42:30
980
原创 机器学习——树回归
CART算法什么是CART？CART是英文Classification And Regression Tree的简写，又称为分类回归树。从它的名字我们就可以看出，它是一个很强大的算法，既可以用于分类还可以用于回归，所以非常值得我们来学习。CART算法使用的就是二元切分法，这种方法可以通过调整树的构建过程，使其能够处理连续型变量。具体的处理方法是：如果特征值大于给定值就走左子树，否则就走右子树。CART算法有两步：决策树生成：递归地构建二叉决策树的过程，基于训练数据集生成决策树，生成的决策树要
2021-10-03 22:56:08
387
原创 机器学习——决策树函数（ID3）
决策树一种简单但广泛使用的分类器，它通过训练数据构建决策树，对未知的数据进行分类。决策树的每个内部节点表示在一个属性上的测试，每个分枝代表该测试的一个输出，而每个树叶结点存放着一个类标号。ID3算法：该模型数据为整条数据，目标值在特征值后一列。信息熵：def calEnt(dataSet): n = dataSet.shape[0] iset = dataSet.iloc[:,-1].value_counts() p = iset / n ent = (-p *
2021-10-02 10:03:03
1701
1
原创 机器学习自用函数整理
整条的数据集划分import randomdef randSplit(dataSet,rate): l = list(dataSet.index) random.shuffle(l) dataSet.index = l n = dataSet.shape[0] m = int(n*rate) train = dataSet.loc[range(m),:] test = dataSet.loc[range(m,n),:] dataSet.in
2021-10-02 09:22:31
364
原创 第十届蓝桥杯B组C/C++——I.后缀表达式（满分讲解）
I.后缀表达式题目描述：给定 N 个加号、M 个减号以及 N+M+1 个整数 A1,A2,⋅⋅⋅,AN+M+1，小明想知道在所有由这 N 个加号、M 个减号以及 N+M+1 个整数凑出的合法的后缀表达式中，结果最大的是哪一个？请你输出这个最大的结果。例如使用 123+−，则 “23+1−” 这个后缀表达式结果是 4，是最大的。输入格式第一行包含两个整数 N 和 M。第二行包含 N+M+1 个整数 A1,A2,⋅⋅⋅,AN+M+1。输出格式输出一个整数，代表答案。数据范围0≤N,M≤10
2021-04-16 19:23:01
239
原创 生活小技巧——WiFi密码忘了怎么办
生活中常常因为忘记家中WiFi密码而苦恼，不用急！我来帮你。仅需打开电脑（笔记本，台式机无法连接WiFi），使用两行cmd命令，方便又快捷。以管理员身份打开你的命令提示符netsh wlan show profilenetsh wlan export profile folder=D:\ key=clearstep1：在命令行中输入以下命令，获取你曾经连接过的所有WiFinetsh wlan show profilestep2：在命令行中输入以下命令，获取你曾经连接过的所有WiFi
2021-02-05 11:14:34
549
2
原创 STL之Map遍历
//默认顺序（从小到大）map<string, int > m1{ {"张三",10},{"李四",20} };//从大到小排序map<string, int, greater<string> > m2{ {"张三",10},{"李四",20} };//从小到大排序map<string, int, less<string> > m3{ {"张三",10},{"李四",20} };//定义遍历指针itmap<string,int
2021-02-04 10:22:24
2682
原创 利用vector处理大数加法
具体方法：1.定义vector两个字符串数组，通过a[i]-‘0’将字符串类型数据转化成整型数据2.输入数据以反序存入数组，加法操作可以从数组开头进行3.有进位，下一位加1#include<iostream>#include<vector>#include<stdio.h>using namespace std;const int N=1e6+10;vector<int>add(vector<int>&A,vector&l
2021-02-04 09:14:16
454
原创 hdu 4841 圆桌问题
题目连接： 圆桌问题Problem Description圆桌上围坐着2n个人。其中n个人是好人，另外n个人是坏人。如果从第一个人开始数数，数到第m个人，则立即处死该人；然后从被处死的人之后开始数数，再将数到的第m个人处死……依此方法不断处死围坐在圆桌上的人。试问预先应如何安排这些好人与坏人的座位，能使得在处死n个人之后，圆桌上围坐的剩余的n个人全是好人。Input多组数据，每组数据输入：好人和坏人的人数n（<=32767）、步长m（<=32767）；Output对于每一组数据，输出
2021-02-03 17:16:14
87
原创 水果（Map套Map）
Problem Description夏天来了好开心啊,呵呵,好多好多水果Joe经营着一个不大的水果店.他认为生存之道就是经营最受顾客欢迎的水果.现在他想要一份水果销售情况的明细表,这样Joe就可以很容易掌握所有水果的销售情况了.Input第一行正整数N(0<N<=10)表示有N组测试数据.每组测试数据的第一行是一个整数M(0<M<=100),表示工有M次成功的交易.其后有M行数据,每行表示一次交易,由水果名称(小写字母组成,长度不超过80),水果产地(小写字母组成,长度不
2021-02-03 10:32:14
123
原创 矩阵距离（多源BFS）
题目描述给定一个N行M列的01矩阵A，A[i][j] 与 A[k][l] 之间的曼哈顿距离定义为：dist(A[i][j],A[k][l])=|i−k|+|j−l|输出一个N行M列的整数矩阵B，其中：B[i][j]=min1≤x≤N,1≤y≤M,A[x][y]=1dist(A[i][j],A[x][y])输入格式第一行两个整数n,m。接下来一个N行M列的01矩阵，数字之间没有空格。输出格式一个N行M列的矩阵B，相邻两个整数之间用一个空格隔开。数据范围1≤N,M≤1000输入样例：
2021-02-02 10:49:51
312
原创 树的重心
题目描述给定一颗树，树中包含n个结点（编号1~n）和n-1条无向边。请你找到树的重心，并输出将重心删除后，剩余各个连通块中点数的最大值。重心定义：重心是指树中的一个结点，如果将这个点删除后，剩余各个连通块中点数的最大值最小，那么这个节点被称为树的重心。输入格式第一行包含整数n，表示树的结点数。接下来n-1行，每行包含两个整数a和b，表示点a和点b之间存在一条边。输出格式输出一个整数m，表示将重心删除后，剩余各个连通块中点数的最大值。数据范围1≤n≤1e5输入样例91 21 71
2021-02-01 14:03:33
126
原创 区间覆盖（贪心）
题目描述给定N个闭区间[ai,bi]以及一个线段区间[s,t]，请你选择尽量少的区间，将指定线段区间完全覆盖。输出最少区间数，如果无法完全覆盖则输出-1。输入格式第一行包含两个整数s和t，表示给定线段区间的两个端点。第二行包含整数N，表示给定区间数。接下来N行，每行包含两个整数ai,bi，表示一个区间的两个端点。输出格式输出一个整数，表示所需最少区间数。如果无解，则输出-1。数据范围1≤N≤1e5,−1e9≤ai≤bi≤1e9,−1e9≤s≤t≤1e9输入样例：1 53-1
2021-02-01 11:36:36
387
原创 离散化模板
对于很大的数据进行离散化比如：1、2、5000、9999999、6离散化为：1、2、4、5、3目的：对于一些只比较数字大小而不关注具体数时，离散化方便存储。操作：1.sort2.二分查找位置：lower_bound(a,a+n,x)-a 在a数组中寻找>=x的第一个数的位置for(int i=1;i<=n;i++) { scanf("%lld",&a[i]); b[i]=a[i];}sort(b+1,b+n+1);for(int i=1;i<=n;i
2021-01-29 11:31:32
63
原创 谜一样的牛（树状数组+二分）
题目描述有n头奶牛，已知它们的身高为 1~n 且各不相同，但不知道每头奶牛的具体身高。现在这n头奶牛站成一列，已知第i头牛前面有Ai头牛比它低，求每头奶牛的身高。输入格式第1行：输入整数n。第2…n行：每行输入一个整数Ai,第i行表示第i头牛前面有Ai头牛比它低。（注意：因为第1头牛前面没有牛，所以并没有将它列出）输出格式输出包含n行，每行输出一个整数表示牛的身高。第i行输出第i头牛的身高。数据范围1≤n≤105输入样例：51210输出样例：24531对于
2021-01-25 14:44:01
141
原创 二分查找模板
引用闫大佬的二分模板二分模板一共有两个，分别适用于不同情况。算法思路：假设目标值在闭区间[l, r]中， 每次将区间长度缩小一半，当l = r时，我们就找到了目标值。版本1当我们将区间 [l, r] 划分成 [l, mid] 和 [mid + 1, r] 时，其更新操作是 r = mid 或者 l = mid + 1 ，计算mid时不需要加1。等价于int a[] = {1, 3, 5, 7, 9};lower_bound(a, a + 5, 1) - a; // 第一个大于等于1的元素是1，
2021-01-25 12:05:12
102
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