摘要：
情感分析：基于卷积神经网络 Sentiment Analysis: Using Convolutional Neural Networks 探讨了如何用二维卷积神经网络来处理二维图像数据。在以往的语言模型和文本分类任务中，把文本数据看作一个一维的时间序列，自然地，使用递归神经网络来处理这些数据。实际 阅读全文
摘要：
情感分析：基于卷积神经网络 Sentiment Analysis: Using Convolutional Neural Networks 探讨了如何用二维卷积神经网络来处理二维图像数据。在以往的语言模型和文本分类任务中，把文本数据看作一个一维的时间序列，自然地，使用递归神经网络来处理这些数据。实际 阅读全文
摘要：
情感分析：基于循环神经网络 Sentiment Analysis: Using Recurrent Neural Networks 与搜索同义词和类比词类似，文本分类也是单词嵌入的一个下游应用。在本文中，将应用预训练的词向量（glow）和具有多个隐藏层的双向递归神经网络，如图1所示。将使用该模型来判 阅读全文
摘要：
情感分析和数据集 Sentiment Analysis and the Dataset Natural Language Processing: Applications 如图1所示，描述使用不同类型的深度学习架构（如MLPs、cnn、rnn和attention）设计自然语言处理模型的基本思想。虽然 阅读全文
摘要：
深度因式分解机 Deep Factorization Machines 学习有效的特征组合对于点击率预测任务的成功至关重要。因子分解机以线性范式对特征交互进行建模（例如，双线性交互）。对于实际数据来说，这通常是不够的，因为在实际数据中，固有特征交叉结构通常非常复杂和非线性。更糟糕的是，二阶特征交互在 阅读全文
摘要：
因子分解机 Factorization Machines 因子分解机（FM）[Rendle，2010]由Steffen Rendle于2010年提出，是一种可用于分类、回归和排序任务的监督算法。它很快就引起了人们的注意，并成为一种流行而有影响力的预测和推荐方法。特别地，它是线性回归模型和矩阵分解模型 阅读全文
摘要：
功能丰富的推荐系统 Feature-Rich Recommender Systems 交互数据是用户偏好和兴趣的最基本指示。在以前引入的模型中起着至关重要的作用。然而，交互数据通常非常稀疏，有时可能会有噪声。为了解决这个问题，可以在推荐模型中集成一些附加信息，比如条目的特性、用户的概要信息，甚至是交 阅读全文
摘要：
序列感知推荐系统 Sequence-Aware Recommender Systems 在前面的章节中，我们将推荐任务抽象为一个矩阵完成问题，而不考虑用户的短期行为。在本节中，我们将介绍一个推荐模型，该模型考虑按顺序排列的用户交互日志。它是一种序列感知的推荐程序[Quadrana et al.，20 阅读全文
摘要：
个性化排序的神经协同过滤 Neural Collaborative Filtering for Personalized Ranking 这一部分将超越显式反馈，介绍神经协作过滤（NCF）框架，用于推荐具有隐式反馈。隐式反馈在推荐系统中普遍存在。诸如点击、购买和观看等行为都是常见的隐性反馈，这些反馈 阅读全文
摘要：
CVPR2020：点云分类的自动放大框架PointAugment PointAugment: An Auto-Augmentation Framework for Point Cloud Classification 论文地址： https://openaccess.thecvf.com/conte 阅读全文
摘要：
推荐系统的个性化排名 Personalized Ranking for Recommender Systems 在前几节中，只考虑了明确的反馈，并根据观察到的评分对模型进行了训练和测试。这种方法有两个缺点：第一，大多数反馈不是显式的，而是在实际场景中隐含的，并且显式反馈的收集成本可能更高。第二，完全 阅读全文
摘要：
自动编码器的评级预测 AutoRec: Rating Prediction with Autoencoders 虽然矩阵分解模型在评级预测任务上取得了不错的效果，但本质上是一个线性模型。因此，这样的模型不能捕捉复杂的非线性和复杂的关系，这些关系可以预测用户的偏好。在本文中，介绍了一个非线性神经网络协 阅读全文