小明2766的博客

Cos相似度即两个向量在空间里的夹角余弦值。取值范围为[-1,1]，0代表正交，-1和1代表方向完全相反和相同。

现有的基于GNN的模型是粗粒度的，不能在intents（意图）的细粒度级别识别user-item关系。利用 关系依赖(relation dependencies) 来 保持长连接的语义(preserve the semantics of long-range connectivity)本研究中，使用auxiliary item knowledge(辅助item知识)探索user-item交互背后的意图(intents)。

为了解决协同过滤的稀疏性和冷启动问题，通常利用side information，比如social networks，item attributes。为了解决基于embedding和基于path的knowledge-aware recommendation的局限性，提出了RippleNet。ripple名为涟漪，模型通过自动地、迭代地延伸用户的潜在兴趣（沿着KG的links），促进 用户偏好在knowledge entities上的传播。

graph neural network没有考虑异构图。异构图：在图里，节点的类型+边的类型>2。异构性和丰富的语义信息给异构图的图神经网络设计带来了极大的挑战。本文提出：heterogeneous graph neural network based on the hierarchical attention, including node-level and semantic-level attentions（基于层次注意力的异构图神经网络，包括节点级和语义级注意力）

除了modeling user-item交互，side information也需要考虑。传统方法，比如FM，每一次交互都是独立的实例，并对side information进行编码。它忽略实例/items之间的关系（例如，电影导演也是另一部电影的演员）。KG，将items和它们的属性联系起来，打破了独立的interaction假设。在KG和user-item图的混合结构中，**高阶关系（用一个或多个链接属性 连接两个items）**是成功推荐的关键因素。本文提出Kgat，知识图谱注意力网络。

出现冷启动问题时，将KGs作为side information可以缓解这一问题。问题：node degrees是倾斜（skewed）的；KGs中大量交互是推荐无关的。解决：本文提出一种基于知识图谱的 可微抽样 推荐方法。设计了一种可微分抽样策略，使相关项目的选择与模型训练过程共同优化。Q1. kg作为side information？先驱，需要看Q2. 如何构造关系图的？图1a。模型的一部分，需要看Q3. 过去的采样方法：Q4. 什么是Gumbel-Softmax？

（非线性特征转换transformation的广义线性模型 被广泛用于回归和分类）在本文提出Wide & Deep模型，jointly trained wide linear modelsand deep neural networks—to combine the benefits ofand。

协同过滤（Collaborative Filtering）推荐算法是最经典、最常用的推荐算法。基本思想是：根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。目前应用比较广泛的协同过滤算法是基于邻域的方法，主要有：不管是 UserCF 还是 ItemCF 算法， 重点是计算用户之间（或物品之间）的相似度。杰卡德（Jaccard）相似系数 系数是衡量两个集合的相似度一种指标，计算公式如下：simuv=∣N(u)∩N(v)∣∣N(u)∣∪∣N(v)∣sim_{uv}=\frac{|N(u) \c

Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions下一代推荐系统： 最新技术和可能扩展的综述注意⚠️对于这篇文章，我主要目标是了解推荐系统的大致，里面详细的技术我没有钻研进去。他写的很好，总结了很多相关内容，要记得它是一片综述文章原论文的一些数学公式是抽象化的，要理解它每个符号代表的含义，再看英文多看几遍，可能就会有帮助了很大

Dynamic Graph Neural Networks for Sequential Recommendation（用于序列推荐的动态图神经网络）Mengqi Zhang, Shu Wu,Member, IEEE,Xueli Yu, Qiang Liu,Member, IEEE,Liang Wang,Fellow, IEEE文章目录Dynamic Graph Neural Networks for Sequential Recommendation（用于序列推荐的动态图神经网络）Abstract（

辛普森悖论辛普森悖论(Simpson’s paradox)，也有其他名称，是概率和统计中的一种现象，即一种趋势出现在几组数据中，但当这些组组合在一起时，趋势就会消失或逆转。 这个结果在社会科学和医学科学统计中经常遇到，并且当频率数据被过度地给出因果解释时尤其成问题。当混淆变量和因果关系在统计建模中得到适当解决时，这个悖论就可以解决。辛普森悖论已被用来说明滥用统计数据可能产生的误导结果。例子加州大学伯克利分校性别偏见辛普森悖论最著名的例子之一来自一项对加州大学伯克利分校(University of C

转自相似度算法之余弦相似度余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫"余弦相似性"。上图两个向量a,b的夹角很小可以说a向量和b向量有很高的的相似性，极端情况下，a和b向量完全重合。如下图：如上图二：可以认为a和b向量是相等的，也即a，b向量代表的文本是完全相似的，或者说是相等的。如果a和b向量夹角较大，或者反方向。如下图如上图三: 两个向量a,b的夹角很大可以说a向.