永不理解_fdu的博客

论文阅读报告DCM BANDITS: LEARNING TO RANK WITH MULTIPLE CLICKS摘要　　当用户在搜索引擎上查询感兴趣的条目时，通常得到一个包含相关网页链接的列表。用户从第一个网页链接开始，浏览所有的感兴趣的链接并点击，直至得到想要的结果或者是最后一个链接为止。这种用户浏览行为称为dependent click model（DCM）。论文通过最大化推荐的网页链接推荐满意

Another url：https://bulihanjie.github.io/2019/02/28/Causal-Embeddings-for-Recommendation笔记/#more摘要应用中期望使用推荐策略来推荐最适合的结果来改变用户行为，最大化推荐收益，如极大化点击率等。但由于推荐系统改变了用户的行为方式，使得用户的日志行为和原本的用户自然行为有了比较大的差异。简单的在用户日志上...

Another url：https://bulihanjie.github.io/2019/03/19/GLANN笔记/摘要虽然生成对抗网络（GANs）在图像生成的任务中大放异彩，但依然存在着各种各样的问题。论文中参考GLO和IMLE模型，提出非对抗式的图像生成模型GLANN，克服了GANs的缺点，得到了不错的效果。 参考资料Hoshen Y, Malik J. Non-Adversa...

Another url：https://bulihanjie.github.io/2019/04/08/Deep-Dynamic-Network-Embedding-for-Link-Prediction-笔记/#more摘要通过考虑网络的历史演变过程，把各个时刻的网络快照映射到一个低维空间中，用以捕捉网络的时序演变以及网络结构。论文中，的DDNE算法，通过循环神经网络GRU反映节点嵌入的历史...

Another url：https://bulihanjie.github.io/2019/04/14/DEEP-LEARNING-WITH-LOGGED-BANDIT-FEEDBACK-笔记/#more摘要论文中提出BanditNet模型，能够利用bandit feedback数据，即实体标签服从某个分布的数据，能够有效地使用大量的数据训练已有的模型使之达到很好的效果。并且模型只需要较少的代...