<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[THOOOR的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/THOOOR</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; THOOOR]]></copyright><item><title><![CDATA[[论文笔记] Improving Collaborative Metric Learning with Efficient Negative Sampling]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/119800544</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/119800544</guid><author>THOOOR</author><pubDate>Thu, 19 Aug 2021 14:02:40 +0800</pubDate><description><![CDATA[论文笔记
Improving Collaborative Metric Learning with Efficient Negative Sampling (arxiv.org)
Improving Collaborative Metric Learning for Recommendation by a 2-stage negative sampling strategy. (github.com)

基于三元组损失的距离度量学习已成功应用于广泛的应用中，例如人脸识别、图像检索、说话人变化检测以及最近使.]]></description><category></category></item><item><title><![CDATA[[论文笔记] Session-aware Linear Item-Item Models for Session-based Recommendation]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/119800476</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/119800476</guid><author>THOOOR</author><pubDate>Thu, 19 Aug 2021 13:59:17 +0800</pubDate><description><![CDATA[原文地址
Session-aware Linear Item-Item Models for Session-based Recommendation (arxiv.org)
https://github.com/jin530/SLIST

基于会话的推荐旨在根据会话中先前消费的物品的序列预测下一个物品，例如电子商务或多媒体流服务。 具体来说，会话数据表现出一些独特的特征，即会话一致性和会话内物品的顺序依赖性、重复的物品消费和会话时效性。 本文提出了简单而有效的线性模型来考虑会话的整体方面。具体来说：

.]]></description><category></category></item><item><title><![CDATA[[论文笔记] An Efficient and Effective Framework for Session-based Social Recommendation]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/119800443</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/119800443</guid><author>THOOOR</author><pubDate>Thu, 19 Aug 2021 13:57:42 +0800</pubDate><description><![CDATA[原文地址
Improving Collaborative Metric Learning with Efficient Negative Sampling (arxiv.org)
Improving Collaborative Metric Learning for Recommendation by a 2-stage negative sampling strategy. (github.com)

基于三元组损失的距离度量学习已成功应用于广泛的应用中，例如人脸识别、图像检索、说话人变化检测以及最近使.]]></description><category></category></item><item><title><![CDATA[[论文笔记] Non-invasive Self-attention for Side Information Fusion in Sequential Recommendation]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/119800409</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/119800409</guid><author>THOOOR</author><pubDate>Thu, 19 Aug 2021 13:56:29 +0800</pubDate><description><![CDATA[原文地址
Non-invasive Self-attention for Side Information Fusion in Sequential Recommendation

顺序推荐系统旨在根据用户的历史行为对用户不断变化的兴趣进行建模，从而做出与时间相关的定制推荐。本文提出了 NOninVasive self-Attention 机制 (NOVA) 以在 BERT 框架下有效地利用边信息。 NOVA 利用辅助信息来生成更好的注意力分布，而不是直接改变物品嵌入，这可能会导致信息过多。

本文研究了.]]></description><category></category></item><item><title><![CDATA[[论文笔记] SSE-PT: Sequential Recommendation Via Personalized Transformed]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/119800377</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/119800377</guid><author>THOOOR</author><pubDate>Thu, 19 Aug 2021 13:55:03 +0800</pubDate><description><![CDATA[原文地址
SSE-PT: Sequential Recommendation Via Personalized Transformer
SSE-PT/SSE-PT (github.com)

时间信息对于推荐问题至关重要，因为用户偏好在现实世界中自然是动态的。 深度学习的最新进展，尤其是除了在自然语言处理中广泛使用的 RNN 和 CNN 之外，还发现了各种注意力机制和更新的架构，可以更好地利用每个用户参与的物品的时间顺序。 特别是 SASRec 模型，受到自然语言处理中流行的 Transformer 模型.]]></description><category></category></item><item><title><![CDATA[[论文笔记] Handling Information Loss of Graph Neural Networks for Session-based Recommendation]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/119800276</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/119800276</guid><author>THOOOR</author><pubDate>Thu, 19 Aug 2021 13:52:17 +0800</pubDate><description><![CDATA[原文地址
KDD 2020 | Handling Information Loss of Graph Neural Networks for Session-based Recommendation
Handling Information Loss of Graph Neural Networks for Session-based Recommendation (github.com)

最近，图神经网络（GNN）因其在各种应用中令人信服的性能而越来越受欢迎。许多先前的研究也尝试将 GNN 应用于基于.]]></description><category></category></item><item><title><![CDATA[[论文笔记] A Joint Neural Model for Information Extraction with Global Features]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/109152219</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/109152219</guid><author>THOOOR</author><pubDate>Sun, 18 Oct 2020 23:08:53 +0800</pubDate><description><![CDATA[2020 ACL会议《A Joint Neural Model for Information Extraction with Global Features》论文笔记]]></description><category></category></item><item><title><![CDATA[最小生成树]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/108421626</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/108421626</guid><author>THOOOR</author><pubDate>Sat, 05 Sep 2020 16:48:23 +0800</pubDate><description><![CDATA[Kruskal算法和Prim算法实现最小生成树]]></description><category></category></item><item><title><![CDATA[最优二叉搜索树]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105725027</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105725027</guid><author>THOOOR</author><pubDate>Fri, 24 Apr 2020 10:22:50 +0800</pubDate><description><![CDATA[计算期望搜索代价
构建最优解]]></description><category></category></item><item><title><![CDATA[最长公共子序列——LCS(c/c++ 伪代码)]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105555841</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105555841</guid><author>THOOOR</author><pubDate>Thu, 16 Apr 2020 13:19:22 +0800</pubDate><description><![CDATA[给定两个序列 X,Y,求X和Y的长度最长的公共子序列
背包二维，一维优化]]></description><category></category></item><item><title><![CDATA[开启、重启、关闭Gunicorn]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105283716</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105283716</guid><author>THOOOR</author><pubDate>Fri, 03 Apr 2020 00:51:34 +0800</pubDate><description><![CDATA[开启Gunicorn任务
gunicorn --bind unix:/tmp/域名.socket projectname.wsgi:application

查找masterpid
首先获取Gunicorn进程树，获取进程pid
pstree -ap|grep gunicorn


可以看到，29585为主进程
重启Gunicorn任务
kill -HUP pid

退出Gunicorn任务
ki...]]></description><category></category></item><item><title><![CDATA[Ubuntu服务器安装Anaconda]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105283701</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105283701</guid><author>THOOOR</author><pubDate>Fri, 03 Apr 2020 00:50:26 +0800</pubDate><description><![CDATA[Ubuntu服务器安装Anaconda]]></description><category></category></item><item><title><![CDATA[pycharm远程调试]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105283617</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105283617</guid><author>THOOOR</author><pubDate>Fri, 03 Apr 2020 00:45:22 +0800</pubDate><description><![CDATA[IDE：PyCharm 2019.3.3 (Professional Edition)
ECS：腾讯云 Ubuntu 18.04.4 LTS

利用pycharm进行远程调试，主要有两种模式：

利用云服务器端的环境调试本地代码，实现本地开发，Linux云端调试
在本地调试云端代码

两种模式共同点都需要在本地的pycharm连接上云服务器的环境，首先需要先配置好服务器端的环境。
一. 配置远程...]]></description><category></category></item><item><title><![CDATA[Linux配置虚拟环境]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105283590</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105283590</guid><author>THOOOR</author><pubDate>Fri, 03 Apr 2020 00:43:50 +0800</pubDate><description><![CDATA[安装虚拟环境
输入命令：
sudo pip install virtualenv
sudo pip install virtualenvwrapper


virtualenv是虚拟环境的软件工具，可以在系统中建立多个互不干扰的虚拟环境
virtualenvwrapper对virtualenv进行封装，更加方便管理虚拟环境

virtualenv的使用


新建虚拟环境
mkdir Myproje...]]></description><category></category></item><item><title><![CDATA[利用Channels实现WebSocket协议]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/105283569</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/105283569</guid><author>THOOOR</author><pubDate>Fri, 03 Apr 2020 00:41:53 +0800</pubDate><description><![CDATA[HTTP协议与WebSocket协议
HTTP协议简介
​	HTTP协议指超文本传输协议（HyperText Transfer Protocol），是用于从万维网服务器传输超文本到本地浏览器的传送协议，是基于TCP/IP协议之上的应用层协议。
主要特点

简单快速：客户向服务器请求服务时，只需传送请求方法和路径，通信速度很快。
灵活：HTTP允许传输任意类型的数据对象。
无连接：限制每次连接只处理...]]></description><category></category></item><item><title><![CDATA[算法设计与分析——第一章算法概论]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/104932413</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/104932413</guid><author>THOOOR</author><pubDate>Tue, 17 Mar 2020 21:56:23 +0800</pubDate><description><![CDATA[1.1 算法
（1）计算
定义
可由一个给定计算模型机械地执行的规则或计算步骤序列称为该计算模型的一个计算

一个计算机程序是一个计算
计算可能永远不会停止
不是算法

（2）算法
定义

算法是满足下列条件的计算：


有穷性/终止性：有限步内必须停止
确定性：每一步都是严格定义和确定的动作
可行性：每一个动作都能够被精确地机械执行
输入：有一个满足给定约束条件的输入

函数可以没有输入
算法必...]]></description><category></category></item><item><title><![CDATA[算法设计与分析——第二章算法分析的数学基础]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/104932292</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/104932292</guid><author>THOOOR</author><pubDate>Tue, 17 Mar 2020 21:52:06 +0800</pubDate><description><![CDATA[2.1 计算复杂性函数的阶
##　增长的阶
算法的实际运行时间受除算法设计本身以外很多其他因素的影响，如：指令集、操作系统、编译器……

如何描述算法的效率→\to→只与输入问题的规模有关

增长率
时间复杂度


忽略低阶项
保留最高阶项
忽略常系数
常见增长阶：Θ(1)\Theta(1)Θ(1), Θ(lg n)\Theta(lg\,n)Θ(lgn), Θ(n)\Theta(\sqrt[]{n...]]></description><category></category></item><item><title><![CDATA[计算机组成原理——第三章系统总线]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/104763026</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/104763026</guid><author>THOOOR</author><pubDate>Mon, 09 Mar 2020 22:16:55 +0800</pubDate><description><![CDATA[文章目录3.1 总线的基本概念为什么要用总线什么是总线总线上的信息传送3.2 总线的分类片内总线系统总线通信总线3.3 总线特性及性能指标总线物理实现总线特性总线的性能指标总线标准3.4 总线结构单总线结构多总线结构总线结构举例3.5 总线控制总线判优控制集中式查询链式查询计数器定时查询独立请求方式总线通信控制同步通信——==定宽定距的公共时钟信号==同步式数据输入同步式数据输出异步通信半同步通信...]]></description><category></category></item><item><title><![CDATA[计算机组成原理——第一章计算机系统概论]]></title><link>https://blog.youkuaiyun.com/THOOOR/article/details/104696739</link><guid>https://blog.youkuaiyun.com/THOOOR/article/details/104696739</guid><author>THOOOR</author><pubDate>Fri, 06 Mar 2020 15:21:49 +0800</pubDate><description><![CDATA[文章目录1.1 计算机系统简介一、计算机软硬件概念1.计算机系统二、计算机系统的层次结构三、计算机体系结构和计算机组成1. 计算机体系结构2.计算机组成1.2计算机的基本组成一、冯·诺依曼计算机的特点二.计算机硬件框图1.上机前的准备2.计算机的解题过程(1) 存储器的基本组成（2）运算器的基本组成及操作过程（3）控制器基本组成（4）主机完成一条指令的过程（5） ax2+bx+cax^2+bx+c...]]></description><category></category></item></channel></rss>