TS-GCN论文实验的数据集介绍

TS-GCN论文代码关于UCF101数据集的预处理介绍

文献:I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph Convolutional Networks and Knowledge Graphs
github代码地址:https://github.com/junyuGao/Zero-Shot-Action-Recognition-with-Two-Stream-GCN

数据集中的文件显示

在这里插入图片描述
共包含9个文件,除了txt文件以外,其它文件是经过numpy的dumps函数生成的,因此需要对文件使用numpy的load函数进行加载才能读出文件中包含的信息。

imageNet_choosen_class_scores_for_ucf101.txt

共有13320行(每一行代表数据集中的一个视频),每行有6400个元素

ind.ucf101.split_train

文件解码后共有50个部分,每个部分有51个元素,元素的范围为0~100.。50代表进行了50次训练操作,51表示每次训练时选所用的已知类别。

CTR-GCN (Click Through Rate Graph Convolutional Networks) 和 TE-GCN (Temporal Edge-aware Graph Convolutional Networks) 是两种应用于点击率预测( Click-Through Rate prediction,CTP)的图神经网络模型,它们通常用于处理用户行为序列数据,如电商网站、搜索引擎等场景中的用户浏览、搜索历史。 CTR-GCN 模型利用了图形结构来捕捉用户的兴趣关联,并通过GCN(Graph Convolutional Network)对节点特征(用户和商品)进行编码,以便更好地理解用户的行为模式。它在一些基准数据集上,比如Criteo Kaggle Display Advertising Challenge的数据,能够提高广告点击预测的精度。 TE-GCN 则在此基础上加入了时间维度,考虑了事件发生的顺序和时间间隔,增强了模型对用户动态兴趣变化的理解。这种设计特别适合有时间序列信息的情况,例如推荐系统中的实时推荐。TE-GCN 会在一些注重时间序列依赖的数据集,如京东、淘宝等电商平台的数据集上,展现出优秀的性能。 然而,具体到每个数据集的表现,可能会受到多种因素的影响,包括但不限于数据质量、模型复杂度、超参数调整以及训练策略等。因此,在论文中会提供详细的实验结果对比,常见的评估指标有AUC(Area Under the ROC Curve)、Precision@K等。如果你想知道具体的排名或数值,建议查阅相关的研究论文或者官方发布的性能报告。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值