周报(2017.3.19-3.16)

 上周周报：

• FINISH-LIST:  (1) 完成JCST 第二次修改； (2)  完成CSC材料准备.
• ON-GOING-LIST：（1）阅读4篇论文，重点了解 attention mechanism，思考应用到现有工作中，下周给出总结；（2）推进TOIS期刊的实验，做完分析实验部分.
• TODO-LIST: 完成期刊的模型拓展部分，撰写论文.

本周周报

FINISH-LIST：

一、阅读文章：

1. Collaborative Topic Modeling for Recommending Scientific Articles  

2.Collaborative Deep Learning for Recommender Systems 

3.Review Networks for Caption Generation

4. Neural Generative Question Answering 

5.Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning 

阅读总结：

（1）文章【1】【2】 是关于改进推荐算法MF的，推荐算法分为两类，协同过滤模型和基于内容的推荐模型。 MF是协同过滤模型,其缺点之一就是只考虑了rating的关系，没有将商品用户内容考虑进去。

【1】2011年kdd将 商品内容 item用topic model刻画， 引入概率MF中；【2】kdd2015用相似的模型框架，将 item用深度学习encoder-decoder框架学习，引入到概率MF中进行刻画。其共同思想在于MF中user和item的隐含向量同时由rating的矩阵和 学到的item的特征表示共同决定。

学习这两篇论文的意义在于，我将探索如何用深度学习框架将两类推荐模型结合，其一就是改进MF的框架（ijcai工作），其二就是如【2】中，提供了的思路，将item文本表示引入传统MF框架中，缺点在于，只用encoder-decoder 刻画商品item的文本，因为很自然的一个思路，也可以用encoder-decoder 根据user购买历史，刻画用户的向量，共同加入训练。

（2）文章【3】【4】【5】是关于attention mechanism 应用于各个方面，attention mechanism是一个非常自然的想法，【5】中给出了如何attention加入RNN模型的基本方法，【4】中额外引入knowledge base 的模型可以作为以后混合模型方式之一【3】用review network改进attention model在encoder-decoder 框架中的应用，提出普通attention机制存在的缺点：未考虑全局的attention， 未刻画每一步attention之后的generator 效果。该文章解决了这两个问题。

ON-GOING-LIST： 

（3.27-4.3）

 (1) Early reviewer JD数据集的分析实验及原模型跑出结果

（3）读三篇文章，下周给出总结

（2）深度学习模型跑出结果

 

TODO-LIST：四月底完成TOIS.