YanYan——-优快云博客

原创 Linux_4

在做开发的时候，肯定不止一台服务器，那么假设每台服务器都是Linux服务器，要在服务器上操作就需要登入终端，即Terminal。ssh的作用就是可以通过一个服务器登陆上其他的服务器。登陆到哪个服务器看到的就是哪个服务器的终端terminal。

2025-04-04 15:22:23 385

原创 Linux_3.2

shell类似一个面向过程的语言，要区分好面向过程和面向对象的语言的区别。

2025-04-01 15:22:39 434

原创 IDC-CDR: Cross-domain Recommendation based on Intent Disentanglement and Contrast Learning✩

基于意图分解和对比学习的CDR。

2025-03-30 18:16:12 976

shell语法能做什么？可以做一个外挂！太6了，那我兢兢业业敲了两遍的作业算什么！！算我勤劳吗！shell是与OS沟通的工具，是解释性的语言，不需编译可直接运行，可以写成脚本，实现复用。Linux常用bash的shell脚本，文件开头要写**#！/bin/bash** 这是在指明脚本所用解释器是bash。如果用python做解释器要写**#!/usr/env python**【不要死记硬背，要练习】执行得到输出：Hello World。

2025-03-30 16:10:58 898

原创 A Comprehensive Survey on Cross-Domain Recommendation: Taxonomy, Progress, and Prospects

CDR一般流程是：域间链接、跨域交互和推荐。域间连接：通过共享元素来实现，比如通过重叠的用户和项目、通过产品文本描述和图像内容来建立连接模型。使用VIT2020或Bert2019跨域交互：建立连接之后，CDR需要融合来自多个域的知识，以更准确的对用户和项目践行建模。推荐：完成上述两步后，模型可以使用来自多个领域的知识做出推荐。但仍存在问题：数据稀疏、域不平衡、负迁移等。（许多研究提出通过合并跨域信息来增强用户和项目表示）

2025-03-24 16:57:54 818

原创 MDAP：A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommend

1 偏好异质性（preference heterogeneity）：主要挑战。不同领域中的用户行为可能由不同的潜在偏好驱动。例如，用户可能在阅读小说时优先考虑类型，但在选择电影时首先考虑导演。这些偏好特征通常纠缠在一个域中，使得很难将行为从一个域推广到另一个域。在CDR中，解决这种偏好异质性对于更准确地捕获不同领域的用户偏好至关重要。【这是CDR专有的挑战】2 特征空间差异：不同的领域可能具有显著不同的特征空间，使得直接迁移学习不太有效，并可能导致负迁移。

2025-02-24 16:38:24 624

原创 EMCDR：Cross-Domain Recommendation: An Embedding and Mapping Approach

是推荐系统面临的最具挑战性的前沿问题之一.对于该问题的一个有希望的解决方案是跨域推荐，即，利用来自多个域的反馈或评级来以集体的方式提高推荐性能。评级矩阵的不平衡分布，即大多数不活跃的用户表示对少量项目的偏好，而大多数不受欢迎的项目得到很少的反馈。所以也非常严重。首先，使用来捕获跨域的非线性映射函数，为学习每个域中实体的特定域特征提供了高度的灵活性。其次，仅使用来学习映射函数，从而保证了映射函数对单域数据稀疏性引起的噪声的鲁棒性。一种类型以。

2025-01-11 16:26:30 840

原创 FairCDR:Fairness-aware Cross-Domain Recommendation

跨域推荐（CDR）技术是的有力措施。然而，已有的研究在学习映射函数时，而映射函数用于获取目标域中新用户的表示。针对这一问题，提出了一种基于公平性的跨域推荐模型FairCDR。该方法通过，实现了面向用户的组公平性。由于重叠数据非常有限且分布有偏差，因此FairCDR利用大量非重叠用户和交互来帮助缓解这些问题。考虑到每个个体对模型公平性的影响不同，提出了一种新的**基于影响函数（IF）**的权重重加权方法，在保持推荐精度的同时降低了模型的不公平性。

2025-01-10 15:56:29 1010

原创 FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling

目前的CDR方法需要跨域共享用户数据，因此违反了《通用数据保护条例》（GDPR），即用户-项目评级无法在不同领域访问。因此，已经提出了许多方法用于联邦跨域推荐（FedCDR）。然而，不同领域的数据异构性不可避免地影响了联邦学习的整体性能，跨域数据异构的问题，即不同域中的用户-项目交互数据包含域专有信息。

2025-01-09 18:10:04 645

原创 DiffCDR:Diffusion Cross-domain Recommendation

如何为提供高质量的推荐结果一直是推荐系统面临的一个挑战。减轻的一个潜在解决方案是从添加数据。如何从辅助领域中提取知识并将其传递到目标领域是跨领域推荐研究的主要目标之一。跨域推荐的最重要目的就是解决冷启动问题。CDR再优化任务标签时容易过拟合，并在在本文的消融实验中，也确实验证了不能保证任务导向的学习策略能获取好的效果；现有的面向映射的工作中使用的映射函数可能会限制它们对未知样本的泛化能力。

2025-01-08 16:54:47 613

原创 HGCL：Heterogeneous Graph Contrastive Learning for Recommendation

推荐场景通常涉及异构关系（例如，社交感知的用户影响、知识感知的项目依赖性），其包含用于增强用户偏好学习的富有成效的信息。本文研究了异构图增强的关系学习推荐问题。异构辅助信息对交互的影响可能因用户和项目而异，为了推进这一思想，我们用Meta网络增强了我们的异构图对比学习，以允许具有自适应对比增强的个性化知识Transformer。

2025-01-07 17:30:46 890

原创 KACL：Knowledge-Adaptive Contrastive Learning for Recommendation

近年来，GNN因为具有较强的高阶结构信息捕获能力而被广泛应用于基于知识图的推荐。但是我们认为有以下两个局限性：1.：用户-项目交互的监督信号将主导模型训练，因此KG信息几乎没有被编码到学习项目表示钟；2.：KG包含大量与推荐无关的信息，并且在GNN的聚合过程中，噪声会被放大。于是提出了一种新的知识自适应对比学习算法KACL。

2025-01-06 16:49:43 717

原创 SGCCL：Siamese Graph Contrastive Consensus Learning for Personalized Recommendation

现有的推荐对比学习方法主要通过对用户-项目二分图进行增广来实现，但是这样的对比学习过程容易偏向于流行项目和用户，因为较高度的用户、项目受到更多的扩充并且它们的相关性也更多地被捕捉。所以本文提出了一个基于对比一致学习的个性化推荐方法，以挖掘个性化推荐的内在关联性，缓解个性化推荐中的偏差效应为目的。SGCCL在整体推荐和去偏推荐方面都有较好的表现，从而得到了一个均衡的推荐结果。

2024-12-30 20:23:53 777

原创 RGCL：A Review-aware Graph Contrastive Learning Framework for Recommendation

基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边特征的用户项目二分图。那么就可以利用评论感知图中独特的自监督信号来指导推荐的两个组件：用户-项目嵌入学习，用户-项目交互建模。

2024-12-24 17:07:34 1011

原创 SimGCL:Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation

首先，通过实验揭示了基于CL的推荐中，（减轻了项目的长尾状况）。增强图有必要，但是发挥了比较小的作用。所以放弃了图增强，而是添加均匀的噪声来构造嵌入空间成为对比视图。

2024-12-23 17:06:42 652

原创 SGL：Self-supervised Graph Learning for Recommendation

1.；（因为在交互图中，对于一个项目，与之交互的用户越多，那么这个项目的度就越大，那么高度节点对表示的影响与低度节点相比，显然是更大的，在实际中，往往有一小部分项目，与之交互的用户数量比较多，另外很大一部分的项目，与之交互的用户数量较少，我们称为项目的长尾分布）2.。（因为邻域聚合方案进一步扩大了观察到的边的影响）；（相互作用呈幂律分布。其中长尾由缺乏监督信号的低度项目组成，GCN很容易偏向于高度项目）；

2024-12-23 11:03:11 402

原创 Linux_2

tmux，是一个分屏指令；也可以让进程不因终端关闭而结束，可以挂到云端执行。一个tmux可以开很多个session（对话），每一个session可以开很多window（窗口）,每个wiondow可以开很多pane（小窗口）。pane是最小单位，每个pane都会打开一个shell对话框。

2024-11-13 16:58:53 623

原创 Linux_1

XXX --help的效果等于man XXX，都是查看XXX的命令指令根目录： /根目录中包含多个文件夹，其中比较重要的文件夹有：1.bin，存储可执行文件2.lib，存储静态库，即头文件3.proc，存储进程相关信息4.home，存储用户家目录绝对路径：从根目录开始，以/为开头相对路径：不从根目录开始，开头不是/.表示当前目录…表示上一层目录~/表示当前用户家目录，比如当前用户为zy，那么此命令就代表home/zy。

2024-11-12 19:08:21 441 1

原创解决：conda安装recbole产生的CondaHTTPError: HTTP 000 CONNECTION FAILED for url ＜https://mirrors.tuna.tsinghu

这里会多等一会儿，因为很多包都需要更新。（提一句，在此之前，我在使用conda命令的时候，遇见过很多次让我更新conda的情况，还给我一个语句让执行，但我执行了没有用，不知道是什么问题）1、在cmd里ping一下来源路径，未发现网络丢包问题（丢失率为0），说明网络稳定，这种情况下一般不会是网络问题；3、更新完conda之后，再次启动新建的虚拟环境recbole；在Anaconda prompt中，输入：【我用的环境是python3.9】首先，新建一个虚拟环境recbole。

2024-06-18 11:06:31 321

原创 DCRec：Debiased Contrastive Learning for Sequential Recommendation

目前的顺序推荐系统被提出来解决动态用户偏好学习的各种神经技术，如Transformer和图神经网络（GNNs）。然而，从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺问题，最近提出了对比学习（CL）方法以两种方式执行数据增强：（i）随机破坏序列数据（例如，随机掩蔽、重新排序）;（ii）跨预定义的对比视图对齐表示。在解决流行的偏见和用户的一致性和真实的兴趣时，CL为基础的方法有局限性。本文模型：统一的顺序模式编码与全局协作关系建模，通过自适应一致性感知增强。

2024-06-11 20:37:52 1207

原创 DKTCDR：Domain-Oriented Knowledge Transfer for Cross-Domain Recommendation

针对跨领域知识图谱，提出了一种跨领域知识转移策略（CKTS），使有价值的知识从源领域高效转移到目标领域，从而提高跨领域知识转移的有效性。在跨域知识图中，与域间关系相比，大多数节点拥有大量的域内关系，直接聚合一个节点的所有邻居可能会损害跨域知识的转移效率，于是，必须制定一个有效的策略进行知识转移。最后，因为2018版本的亚马逊数据并不包括2014的全部，所以合并了2014和2018版本的数据，评论包括评论者ID，ASIN，评论内容、评级和时间戳。在CDR中，构建连接两个域的桥梁是实现跨域推荐的基础。

2024-05-31 16:43:42 860

原创 CoFactor：Factorization Meets the Item Embedding: Regularizing Matrix Factorization with Item

我们使用每个用户消费或评分的项目集以及数据中用户之间这些项目的共同出现次数来学习项目嵌入。

2024-05-29 20:33:18 602

原创 LFCDR：Latent mutual feature extraction for cross-domain recommendation

域D中的用户U和项目I的简档拥有各自的属性，将类别C定义为反应用户和项目简档属性之间共享的域特征的简档属性。关于类别的定义：类别C考虑用户的简档属性或项的简档属性，其准确地反应域D的特征。类别定义是领域特定的，并且由基于用户的属性αU或基于项目的属性αI来表征。【使用上标的S,T来区分源域和目标域的问题】1、给定任意的源域和目标域，跨域推荐问题就是通过源域到目标域的迁移学习来改进目标域的推荐结果。注意源域和目标域是异构的。

2024-05-28 16:36:13 1720

原创 GA-DTCDR：A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation

提出一个图形和注意力的框架GA-DTCDR：首先，构建两个独立的异构图，并从两个领域的评级和内容信息上生成更具代表性的用户和项目嵌入；然后，提出一个元素级的注意力机制，有效的联合嵌入两个域的共同用户。这一层可以智能的为从两个域种学习到的共同用户的两个嵌入提供一组权重，并为共同用户生成组合嵌入，保留不同比例的两个域中学到的特征。给出两个相关域A,B的显示反馈（评级和评论），隐式反馈（购买和浏览历史），边信息（用户配置文件和项细节），双域推荐的目的是同时提高这两个域的推荐准确率。

2024-05-23 17:09:52 2143

原创 CD-ELR：A Novel Cross-Domain Recommendation with Evolution Learning

与传统的LSTM不同，F-LSTM中的记忆单元，也称为长期记忆，包含了用户偏好和反映长期演化的项目特征的历史交互。我们将记忆单元分解为短期和长期兴趣，然后通过具有间隔感知的权重效用函数的变化的影响来衰减长期兴趣，该函数将演化退步为一个合适的权重。假设一个域k的评级矩阵R包含域k中的全部评级记录，一个反馈矩阵M是包含所有评级值r的矩阵，是在时间戳s上的域k的反馈矩阵，其中的s范围是从1到τ，在域k中，对于用户ui的查询，模型在最后预测的交互矩阵中的第i行列出TOP-N的预测值，来针对用户ui进行项推荐。

2024-05-21 16:33:02 922

原创 OUAG：Cross-domain recommendation of overlapping users based on self-attention gcn

在传输过程中不考虑域之间的项目之间的相似关系和用户对域之间的项目的偏好之间的关系。但M忽略了节点本身对实际推荐效果的影响，所以在M的基础上增加一个同维度的单位矩阵I，可以减轻自身节点对结果的影响，即Z=M+I。为每个重叠的用户和双域中的项目，通过假设输入ID和嵌入之间的映射关系，将无向图中所有的节点都映射到一个低维向量。在预测层中，上述的输出结果被送到两个多层的前向网络中，以获得双域中重叠用户和项目的预测结果。上述的模型的代价函数采用常用的交叉熵函数：结合两个域的交叉熵函数，平衡推荐结果，函数为。

2024-05-16 19:43:29 546

原创 NMACDR：基于邻居交互增强和多头注意力机制的跨域推荐模型

用带上标的U,V代表源域s和目标域t的用户和项目，另有O代表s和t重叠的用户，但s和t的项目不重叠。冷启动指的是在s中但不在t中的用户的推荐（表示为U加上标c）。将s的评分矩阵R分解为{U，V}；t的R同样被分解。对于每一个u都有一个交互列表S和一个k个的邻居列表N。本模型的目标是根据观察到的两个领域的交互数据，为冷启动用户推荐t中的项目。

2024-05-14 16:05:59 846

原创半监督的GCN：Semi-Supervised Classification With Graph Convolutional Networks

关于内存需求：当前模型采用全批量梯度下降，后续考虑小批量随机梯度下降，但此时要考虑GCN的层数，因为具有k层的gcn的k阶邻域必须存储在存储器中以用于精确的过程。关于图是有向边还是无向边：框架只支持无向边，如果是有向图可以拆分为无向二分图，并添加表示原图中的边的节点，可以处理有向边和边特征。对于大型图，其损失函数的特征分解的计算十分昂贵，为解决此问题，可以用切比雪夫多项式到第k阶的截断展开来近似代替gθ（Λ）。这种方法是在图的边的数量上进行线性的缩放模型，并学习包含局部图结构和图节点的几个隐藏层表示。

2024-05-13 17:14:48 688

空空如也

空空如也