地址:

https://arxiv.org/abs/2002.12312

在这篇论文中,我们讨论了协同过滤和排名的一些最新进展。第一章简要介绍了协同过滤与排名的历史与现状;第二章首先讨论了图信息的点态协同过滤问题,以及我们提出的新方法如何对深度图信息进行编码,这有助于现有的四种图信息协同过滤算法;第三章介绍了协同排序的配对方法,以及如何将算法加速到接近线性的时间复杂度;第4章是关于新的列表方法的协作排名,以及如何更好的选择列表方法的损失显式和隐式反馈超过点和两两损失;第5章是关于我们提出的新的正则化技术——随机共享嵌入(SSE),以及它在6个不同的任务(包括推荐和自然语言处理)中的理论有效性和经验有效性;第6章是我们如何在SSE的帮助下,为最先进的序列推荐模型引入个性化,这对于防止我们的个性化模型对训练数据的过度拟合起到了重要的作用;第7章,我们总结了目前所取得的成果,并展望了未来的发展方向;第八章是所有章节的附录。

成为VIP会员查看完整内容
0
32

相关内容

协同过滤(英语:Collaborative Filtering),简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息,个人透过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,回应不一定局限于特别感兴趣的,特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比(rating)或者群体过滤(social filtering)。其后成为电子商务当中很重要的一环,即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”,也就是借由社群的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外,近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据,也许不是百分之百完全准确,但由于加入了强弱的评比让这个概念的应用更为广泛,除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。

随着web技术的发展,多模态或多视图数据已经成为大数据的主要流,每个模态/视图编码数据对象的单个属性。不同的模态往往是相辅相成的。这就引起了人们对融合多模态特征空间来综合表征数据对象的研究。大多数现有的先进技术集中于如何融合来自多模态空间的能量或信息,以提供比单一模态的同行更优越的性能。最近,深度神经网络展示了一种强大的架构,可以很好地捕捉高维多媒体数据的非线性分布,对多模态数据自然也是如此。大量的实证研究证明了深多模态方法的优势,从本质上深化了多模态深特征空间的融合。在这篇文章中,我们提供了从浅到深空间的多模态数据分析领域的现有状态的实质性概述。在整个调查过程中,我们进一步指出,该领域的关键要素是多模式空间的协作、对抗性竞争和融合。最后,我们就这一领域未来的一些方向分享我们的观点。

成为VIP会员查看完整内容
0
150

随着高计算设备的发展,深度神经网络(DNNs)近年来在人工智能(AI)领域得到了广泛的应用。然而,之前的研究表明,DNN在经过策略性修改的样本(称为对抗性样本)面前是脆弱的。这些样本是由一些不易察觉的扰动产生的,但可以欺骗DNN做出错误的预测。受图像DNNs中生成对抗性示例的流行启发,近年来出现了针对文本应用的攻击DNNs的研究工作。然而,现有的图像扰动方法不能直接应用于文本,因为文本数据是离散的。在这篇文章中,我们回顾了针对这一差异的研究工作,并产生了关于DNN的电子对抗实例。我们对这些作品进行了全面的收集、选择、总结、讨论和分析,涵盖了所有相关的信息,使文章自成一体。最后,在文献回顾的基础上,我们提出了进一步的讨论和建议。

成为VIP会员查看完整内容
0
41

卷积神经网络(Convolutional Neural Network, CNN)是深度学习领域中最重要的网络之一。由于CNN在计算机视觉和自然语言处理等诸多领域都取得了令人瞩目的成就,因此在过去的几年里,CNN受到了业界和学术界的广泛关注。现有的综述主要关注CNN在不同场景下的应用,并没有从整体的角度来考虑CNN,也没有涉及到最近提出的一些新颖的想法。在这篇综述中,我们的目标是在这个快速增长的领域提供尽可能多的新想法和前景。不仅涉及到二维卷积,还涉及到一维和多维卷积。首先,这篇综述首先简单介绍了CNN的历史。第二,我们提供CNN的概述。第三,介绍了经典的和先进的CNN模型,特别是那些使他们达到最先进的结果的关键点。第四,通过实验分析,得出一些结论,并为函数选择提供一些经验法则。第五,介绍了一维、二维和多维卷积的应用。最后,讨论了CNN的一些有待解决的问题和有发展前景的方向,为今后的工作提供参考。

成为VIP会员查看完整内容
0
61

命名实体识别(NER)的任务是识别提到命名实体的文本范围,并将它们分类为预定义的类别,如人员、位置、组织等。NER是各种自然语言应用的基础,如问题回答、文本摘要和机器翻译。虽然早期的NER系统能够成功地产生相当高的识别精度,但它们通常需要大量的人力来精心设计规则或特征。近年来,基于连续实值向量表示和通过非线性处理的语义组合的深度学习被应用到NER系统中,产生了最先进的性能。在这篇论文中,我们对现有的深度学习技术进行了全面的回顾。我们首先介绍NER资源,包括标记的NER语料库和现成的NER工具。然后,我们根据一个分类法沿着三个轴对现有的作品进行了系统的分类:输入的分布式表示、上下文编码器和标记解码器。接下来,我们调查了最近在新的NER问题设置和应用中应用深度学习技术的最有代表性的方法。最后,我们向读者介绍NER系统所面临的挑战,并概述该领域的未来发展方向。

成为VIP会员查看完整内容
0
67

创建健壮的软件需要使用高效的算法,但是程序员在问题出现之前很少考虑这些算法。这个更新版的算法简而言之描述了大量现有的算法,用于解决各种各样的问题,并帮助您选择和实现适合您需要的正确算法—只需足够的数学知识就可以让您理解和分析算法的性能。

本书的重点是应用,而不是理论,它提供了几种编程语言的高效代码解决方案,您可以轻松地适应特定的项目。每个主要算法都以设计模式的形式呈现,其中包含帮助您理解为什么以及何时使用该算法的信息。

有了这本书,你将: 解决特定的编码问题或改进现有解决方案的性能 快速定位与您想要解决的问题相关的算法,并确定为什么使用特定的算法是正确的 通过实现技巧获得C、c++、Java和Ruby中的算法解决方案 了解一个算法的预期性能,以及它需要在最佳状态下执行的条件 发现相似的设计决策对不同算法的影响 学习先进的数据结构,提高算法的效率

成为VIP会员查看完整内容
0
97

题目: Advances in Collaborative Filtering and Ranking

摘要: 在这篇论文中,我们讨论了协同过滤和排序的一些最新进展。第一章简要介绍了协同过滤与排序的历史与现状;第二章首先讨论了图信息的点态协同过滤问题,以及我们提出的新方法如何对深度图信息进行编码,从而帮助现有的四种图信息协同过滤算法;第三章介绍了协同排序的两两方法,以及如何将算法加速到接近线性的时间复杂度;第4章是关于新的列表方法的协作排序,以及如何更好的选择列表方法的损失显式和隐式反馈超过点和两两损失;第5章是关于我们提出的新的正则化技术——随机共享嵌入(SSE),以及它在6个不同的任务(包括推荐和自然语言处理)中的理论有效性和经验有效性;第6章是我们如何在SSE的帮助下,为最先进的顺序推荐模型引入个性化,这对于防止我们的个性化模型对训练数据的过度拟合起到了重要的作用;第7章,我们总结了目前所取得的成果,并展望了未来的发展方向;第八章是所有章节的附录。

成为VIP会员查看完整内容
0
26

半监督学习介于传统监督学习和无监督学习之间,是一种新型机器学习方法,其思想是在标记样本数量很少的情况下,通过在模型训练中引入无标记样本来 避免传统监督学习在训练样本不足(学习不充分)时出现性能(或模型)退化的问 题。上海交通大学屠恩美和杨杰老师撰写了一篇关于《半监督学习理论及其研究进展概述》论文,详细阐述了最新回顾了半监督学习的发展历程和主要理 论,并介绍了半监督学习研究的最新进展,最后结合应用实例分析了半监督学习在 解决实际问题中的重要作用。

成为VIP会员查看完整内容
A Review of Semi Supervised Learning Theories and Recent Advances.pdf
0
42

题目: A survey of deep learning techniques for autonomous driving

简介: 本文目的是研究自动驾驶中深度学习技术的最新技术。首先介绍基于AI的自动驾驶架构、CNN和RNN、以及DRL范例。这些方法为驾驶场景感知、路径规划、行为决策和运动控制算法奠定基础。该文研究深度学习方法构建的模块化“感知-规划-执行”流水线以及将传感信息直接映射到转向命令的端到端系统。此外,设计自动驾驶AI架构遇到的当前挑战,如安全性、训练数据源和计算硬件等也进行了讨论。该工作有助于深入了解深度学习和自动驾驶AI方法的优越性和局限性,并协助系统的设计选择。

成为VIP会员查看完整内容
0
38

Deep Learning based Recommender System: A Survey and New Perspectives

随着在线信息量的不断增长,推荐系统已成为克服此类信息过载的有效策略。鉴于其在许多网络应用中的广泛采用,以及其改善与过度选择相关的许多问题的潜在影响,推荐系统的实用性不容小觑。近年来,深度学习在计算机视觉和自然语言处理等许多研究领域引起了相当大的兴趣,不仅归功于出色的表现,而且还具有从头开始学习特征表征的吸引人的特性。深度学习的影响也很普遍,最近证明了它在应用于信息检索和推荐系统研究时的有效性。显然,推荐系统中的深度学习领域正在蓬勃发展。本文旨在全面回顾最近基于深度学习的推荐系统的研究工作。更具体地说,我们提供并设计了基于深度学习的推荐模型的分类,并提供了最新技术的综合摘要。最后,我们扩展了当前的趋势,并提供了有关该领域新的令人兴奋的发展的新观点。

成为VIP会员查看完整内容
0
120
小贴士
相关资讯
相关论文
Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey
Sanmit Narvekar,Bei Peng,Matteo Leonetti,Jivko Sinapov,Matthew E. Taylor,Peter Stone
11+阅读 · 2020年3月10日
Memory Augmented Graph Neural Networks for Sequential Recommendation
Chen Ma,Liheng Ma,Yingxue Zhang,Jianing Sun,Xue Liu,Mark Coates
11+阅读 · 2019年12月26日
Kwonjoon Lee,Subhransu Maji,Avinash Ravichandran,Stefano Soatto
3+阅读 · 2019年4月23日
Efficient Parameter-free Clustering Using First Neighbor Relations
M. Saquib Sarfraz,Vivek Sharma,Rainer Stiefelhagen
3+阅读 · 2019年2月28日
Yeonwoo Jeong,Hyun Oh Song
4+阅读 · 2018年6月12日
Ruo-Pei Guo,Chun-Guang Li,Yonghua Li,Jiaru Lin
4+阅读 · 2018年5月20日
Tran Dang Quang Vinh,Tuan-Anh Nguyen Pham,Gao Cong,Xiao-Li Li
12+阅读 · 2018年4月18日
Lei Qi,Jing Huo,Lei Wang,Yinghuan Shi,Yang Gao
7+阅读 · 2018年4月11日
Ali Javidani,Ahmad Mahmoudi-Aznaveh
4+阅读 · 2018年3月14日
Xiangyu Zhao,Liang Zhang,Zhuoye Ding,Dawei Yin,Yihong Zhao,Jiliang Tang
12+阅读 · 2018年1月5日
Top