發(fā)簡信
IP屬地：北京
-
對可解釋機器學(xué)習(xí)的簡單了解
一、可解釋性的難度 深度學(xué)習(xí)模型 > 傳統(tǒng)的機器學(xué)習(xí)模型 部分傳統(tǒng)機器學(xué)習(xí)模型天然的可解釋性強：KNN、LR、線性回歸、決策樹、樸素貝葉斯 本質(zhì)...
-
Controllable Multi-Interest Framework for Recommendation筆記一、這篇論文解決什么問題 召回問題：多興趣召回 和之前的相關(guān)模型不一樣的地方：主要是平衡推薦的準(zhǔn)確性和多樣性 二、作者提出的模型架構(gòu) 三、這篇論...
-
Multi-Interest Network with Dynamic Routing for Recommendation at Tmall筆記一、這篇論文解決什么問題 召回問題，主要是文中提的多興趣召回（在網(wǎng)上搜索了一圈，沒找到專門定義多興趣召回這個問題的文章）：在推薦系統(tǒng)中，用戶的興...
-
Session-based Recommendation with Graph Neural Networks筆記一、這篇論文解決什么問題 session-based recommendation：用戶未登錄狀態(tài)下, 僅僅依賴匿名會話進行用戶下一個行為預(yù)測的...
-
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS筆記一、這篇論文解決什么問題 session-based recommendation：用戶未登錄狀態(tài)下, 僅僅依賴匿名會話進行用戶下一個行為預(yù)測的...
-
Neural Collaborative Filtering筆記
一、這篇文論解決什么問題 推薦領(lǐng)域的經(jīng)典模型：MF 之前的研究中應(yīng)用的深度學(xué)習(xí)：對輔助信息進行建模（例如商品描述等） 本文的不同：對CF本身進行...