2020-12-27 15:58:16

docs/dl-cv/06.md

@@ -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

@@ -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。