Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
lzh_me
apachecn-dl-zh
提交
2e77d826
A
apachecn-dl-zh
项目概览
lzh_me
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
2e77d826
编写于
12月 27, 2020
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2020-12-27 15:58:16
上级
84cf8be7
变更
2
隐藏空白更改
内联
并排
Showing
2 changed file
with
2 addition
and
2 deletion
+2
-2
docs/dl-cv/06.md
docs/dl-cv/06.md
+1
-1
docs/rs-survey-arxiv-1707-07435-zh/3.md
docs/rs-survey-arxiv-1707-07435-zh/3.md
+1
-1
未找到文件。
docs/dl-cv/06.md
浏览文件 @
2e77d826
...
...
@@ -173,7 +173,7 @@ def triplet_loss(anchor_face, positive_face, negative_face, margin):
return
tf
.
reduce_mean
(
tf
.
maximum
(
total_distance
,
0.0
),
0
)
```
三
胞胎的开采
是一项艰巨的任务。 每个点都必须与其他点进行比较,以获得适当的锚点和正对。 三元组的挖掘如下所示:
三
元组的挖掘
是一项艰巨的任务。 每个点都必须与其他点进行比较,以获得适当的锚点和正对。 三元组的挖掘如下所示:
```
py
def
mine_triplets
(
anchor
,
targets
,
negative_samples
):
...
...
docs/rs-survey-arxiv-1707-07435-zh/3.md
浏览文件 @
2e77d826
...
...
@@ -4,7 +4,7 @@
用CNN学习特征表示。 CNN可用于从多个来源学习特征表示,例如图像,文本,音频,视频等。
用于图像特征提取的CNN 。Wang 等
[
165]研究了视觉特征对兴趣点(POI)推荐的影响,并提出了视觉内容增强型POI推荐系统(VPOI)。 VPOI采用CNN来提取图像特征。 推荐模型建立在PMF之上,探索以下因素之间的交互:(1)视觉内容和潜在用户因素;(2)视觉内容和潜在位置因素。 Chu等 [25]在餐馆推荐中利用视觉信息(例如餐馆的食物和家具的图像)的有效性。 CNN联合提取的视觉特征与文本表示一起输入到MF,BPRMF和FM中来测试它们的表现。 结果表明,视觉信息在一定程度上改善了表现,但并不显着。 He等 [50]通过将视觉特征(通过CNN学习)结合到矩阵分解中,来设计视觉贝叶斯个性化排名(VBPR)算法。 He等 [49]扩展VBPR,探索用户的时尚意识和用户在选择项目时考虑的视觉因素的演化。 Yu等。 [191]提出了一种基于美学的服装推荐的耦合矩阵和张量因子分解模型,其中CNN用于学习图像特征和美学特征。 Nguyen等。 [110]提出了一种基于CNN的个性化标签推荐模型。 它利用卷积和最大池化层从图像块中获取视觉特征。 注入用户信息以生成个性化推荐。 为了优化该网络,采用BPR目标来最大化相关和不相关标签之间的差异。 Lei等。 [84]提出了一个具有CNN的比较深度倾斜模型用于图像推荐。 该网络包括两个用于图像表示学习的CNN和一个用于用户偏好建模的MLP。 它将两个图像(一个正图像用户喜欢,一个负图像用户不喜欢)与用户进行比较。 训练数据由三
胞胎
组成: ![
](
img/img104.png
)
(用户 !
[](
img/img105.png
)
,正面形象 !
[](
img/img106.png
)
,负面图像 !
[](
img/img107.png
)
)。 假设用户与正面图像之间的距离 !
[](
img/img108.png
)
应该比用户和负面图像之间的距离更近 !
[](
img/img109.png
)
,其中 !
[](
img/img110.png
)
是距离度量(例如欧氏距离)。 ConTagNet [118]是一种上下文感知标签推荐系统。 图像特征由CNN学习。 上下文表示由两层全连接的前馈神经网络处理。 将两个神经网络的输出连接起来并放入softmax函数以预测候选标签的概率。
用于图像特征提取的CNN 。Wang 等
[
165]研究了视觉特征对兴趣点(POI)推荐的影响,并提出了视觉内容增强型POI推荐系统(VPOI)。 VPOI采用CNN来提取图像特征。 推荐模型建立在PMF之上,探索以下因素之间的交互:(1)视觉内容和潜在用户因素;(2)视觉内容和潜在位置因素。 Chu等 [25]在餐馆推荐中利用视觉信息(例如餐馆的食物和家具的图像)的有效性。 CNN联合提取的视觉特征与文本表示一起输入到MF,BPRMF和FM中来测试它们的表现。 结果表明,视觉信息在一定程度上改善了表现,但并不显着。 He等 [50]通过将视觉特征(通过CNN学习)结合到矩阵分解中,来设计视觉贝叶斯个性化排名(VBPR)算法。 He等 [49]扩展VBPR,探索用户的时尚意识和用户在选择项目时考虑的视觉因素的演化。 Yu等。 [191]提出了一种基于美学的服装推荐的耦合矩阵和张量因子分解模型,其中CNN用于学习图像特征和美学特征。 Nguyen等。 [110]提出了一种基于CNN的个性化标签推荐模型。 它利用卷积和最大池化层从图像块中获取视觉特征。 注入用户信息以生成个性化推荐。 为了优化该网络,采用BPR目标来最大化相关和不相关标签之间的差异。 Lei等。 [84]提出了一个具有CNN的比较深度倾斜模型用于图像推荐。 该网络包括两个用于图像表示学习的CNN和一个用于用户偏好建模的MLP。 它将两个图像(一个正图像用户喜欢,一个负图像用户不喜欢)与用户进行比较。 训练数据由三
元组
组成: ![
](
img/img104.png
)
(用户 !
[](
img/img105.png
)
,正面形象 !
[](
img/img106.png
)
,负面图像 !
[](
img/img107.png
)
)。 假设用户与正面图像之间的距离 !
[](
img/img108.png
)
应该比用户和负面图像之间的距离更近 !
[](
img/img109.png
)
,其中 !
[](
img/img110.png
)
是距离度量(例如欧氏距离)。 ConTagNet [118]是一种上下文感知标签推荐系统。 图像特征由CNN学习。 上下文表示由两层全连接的前馈神经网络处理。 将两个神经网络的输出连接起来并放入softmax函数以预测候选标签的概率。
用于文本特征提取的CNN 。 DeepCoNN
[
202]采用两个并行的CNN来模拟评论文本中的用户行为和项目属性。 该模型通过利用评论文本的丰富语义表示,使用 CNN 来缓解稀疏性问题并增强模型可解释性。 它利用单词嵌入技术将评论文本映射到低维语义空间,并保留单词序列信息。 然后,提取的评论表示连续通过最大池化层、全连接层和具有不同核的卷积层。 用户网络 ![
](
img/img41.png
)
和项目网络 !
[](
img/img42.png
)
的输出最终连接作为预测层的输入,其中应用分解机来捕获它们的交互,来进行评分预测。 Catherine 等 [11]提到,只有在目标用户为目标项目编写的评论文本在测试时可用时,DeepCoNN才能正常工作,这是不合理的。 因此,他们通过引入潜在层来扩展它来表示目标用户 - 目标项目对。 此模型在验证/测试期间不访问评论,并且仍然可以保持良好的准确性。 Shen等 [130]建立了一个电子学习资源推荐模型。 它使用CNN从学习资源的文本信息中提取项目特征,如学习资料的介绍和内容,并使用[153]的相同程序进行推荐。 ConvMF [75]使用与CDL类似的方式将CNN与PMF相结合。 CDL使用自编码器来学习项目特征表示,而ConvMF使用CNN来学习高级项目表示。 ConvMF相对于CDL的主要优点是CNN能够使用词嵌入和卷积核,捕获更准确的项目上下文信息。 Tuan 等 [148]建议使用CNN来学习项目内容信息(例如,名称,描述,标识符和类别)的特征表示形式,来增强基于会话的推荐的准确性。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录