译|Bayesian Personalized Ranking with Multi-Channel User Feedback

 已经显示 \(learning-to-rank\) 算法允许推荐系统利用一元用户反馈。我们提出了 \(Multi-feedback \,Bayesian\, Personalized\, Ranking\) (多反馈贝叶斯个性化排序),即利用扩展采样与不同类型反馈的成对方法。反馈类型来自不同的 \(channels\),其中 \(users\) 与 \(items\) 相互作用 (\(e.g., clicks, likes, listens, follows, and purchase)\)。 我们通过像 \(clicks\), \(likes\) 这样不同类型的反馈,来反映不同级别的 \(commitment\) 或 \(preference\)。 我们的方法不同之处在于它在训练过程中同时利用多个反馈来源,\(MF-BPR\) 的新颖之处在于它是一种扩展的采样方法, 将反馈源等同于信号预期贡献的 \(level\)。 我们通过对包含多种反馈类型的三个数据集进行了一系列实验来证明我们的方法的有效性,实验结果表明:采用更好采样方法的 \(MF-BPR\) 在准确性方面优于 \(BPR\),\(MF-BPR\) 的优势在于它能够在抽样负面项目时利用水平信息。

基于 Keras 实现图像风格转移

 Style Transfer 这个方向火起来是从2015年Gatys发表的Paper A Neural Algorithm of Artistic Style(神经风格迁移) , 这里就简单提一下论文的主要思想。

推荐系统|矩阵分解概述

 推荐系统的研究从上世纪90年代初发展至今,目前有三大主流算法作为几乎全部的推荐算法的基石,它们就是基于内容的过滤算法(content-based filtering,简称CBF)、邻域算法(neighborhood methods)、隐语义模型(latent factor models,简称LFM),其中后两者统称为协同过滤算法(collaborative filtering,简CF)。

深度学习|卷积神经网络概述

实现简单手写识别完整代码地址 :👉 https://github.com/laugh12321/Handwriting-Recognition

提到人工智能,人们都会希望自己的智能机器具备「听说读写」这样像人一样的基本感知表达能力,计算机视觉就是研究如何让机器学会「看」的学科。如今,借助深度学习的推动,计算机视觉已经来到了一个飞速发展的时代。人脸识别,自动驾驶,医学图像分析,计算机视觉的成熟让这一切变得可能甚至远高于我们人类的工作效率。

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×