<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小明2766的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/bill2766</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; bill2766]]></copyright><item><title><![CDATA[快速幂算法 Java实现]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/144187399</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/144187399</guid><author>bill2766</author><pubDate>Mon, 02 Dec 2024 14:25:42 +0800</pubDate><description><![CDATA[从简单实现到快速幂核心思想，理解背后原因。]]></description><category></category></item><item><title><![CDATA[借助单调栈实现查找数组中每个数左边/右边第一个比它大/小的元素下标 Java模板]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/138391761</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/138391761</guid><author>bill2766</author><pubDate>Thu, 02 May 2024 14:50:02 +0800</pubDate><description><![CDATA[四种情况分别对应查找数组中每个数左边/右边第一个比它大/小的元素下标。]]></description><category></category></item><item><title><![CDATA[scipy.sparse.coo_matrix.sum()关于axis的用法]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/133689407</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/133689407</guid><author>bill2766</author><pubDate>Sun, 08 Oct 2023 20:33:19 +0800</pubDate><description><![CDATA[简单的记法就是axis等于谁，谁消失]]></description><category></category></item><item><title><![CDATA[【推荐系统-＞相似度】Cos相似度与皮尔逊相似度及其关联]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/129183519</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/129183519</guid><author>bill2766</author><pubDate>Thu, 23 Feb 2023 15:54:28 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[《数据分析方法论和业务实战》读书笔记]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/129102322</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/129102322</guid><author>bill2766</author><pubDate>Sat, 18 Feb 2023 17:14:41 +0800</pubDate><description><![CDATA[数据指标是通过对数据进行分析的一个汇总结果，是使得业务目标可描述、可度量、可拆解的度量值。数据指标不仅是数据，而且要被数据分析利用。数据指标由“维度”和“计算方式”组成。常见的维度有平台（IOS、安卓）、时间（日期）、新/老客户、年龄群体、渠道来源。。。常见的计算方式有求和、求差、取均值/中位数、相除/相乘、最大/最小举例：“安卓用户的平均观看时长”，维度是安卓，计算方式是平均观看时长，即取时长的均值。数据指标体系是把数据指标系统地组织起来，它面向功能模块或者其他业务模块。]]></description><category></category></item><item><title><![CDATA[复制PDF文字时去掉换行符]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/128648110</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/128648110</guid><author>bill2766</author><pubDate>Wed, 11 Jan 2023 17:31:05 +0800</pubDate><description><![CDATA[使用方法：复制pdf的文字，再运行一下这个指令，最后粘贴文字即可。当我们在pdf上复制文字时，每行总会出现换行符，乱糟糟的。windows推荐开源软件。]]></description><category></category></item><item><title><![CDATA[【kg推荐-＞精读】Learning Intents behind Interactions with Knowledge Graph for Recommendation]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127454123</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127454123</guid><author>bill2766</author><pubDate>Fri, 21 Oct 2022 21:17:31 +0800</pubDate><description><![CDATA[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)。]]></description><category></category></item><item><title><![CDATA[【kg推荐-＞精读】RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127454009</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127454009</guid><author>bill2766</author><pubDate>Fri, 21 Oct 2022 21:12:17 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【异构图-＞精读】Heterogeneous Graph Attention Network]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127453943</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127453943</guid><author>bill2766</author><pubDate>Fri, 21 Oct 2022 21:07:02 +0800</pubDate><description><![CDATA[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）]]></description><category></category></item><item><title><![CDATA[【kg推荐-＞精读】KGAT: Knowledge Graph Attention Network for Recommendation]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127453909</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127453909</guid><author>bill2766</author><pubDate>Fri, 21 Oct 2022 21:02:56 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【kg推荐-＞精读】Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127453819</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127453819</guid><author>bill2766</author><pubDate>Fri, 21 Oct 2022 21:00:13 +0800</pubDate><description><![CDATA[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？]]></description><category></category></item><item><title><![CDATA[【读书笔记-＞数据分析】03 BDA数据可视化]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127326215</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127326215</guid><author>bill2766</author><pubDate>Fri, 14 Oct 2022 19:17:31 +0800</pubDate><description><![CDATA[研究表明，90%的信息通过视觉形式传到大脑，速度比文字信息要快6万倍。]]></description><category></category></item><item><title><![CDATA[【算法】图存储-邻接表、以及基于深搜的拓扑排序——Python实现]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127207030</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127207030</guid><author>bill2766</author><pubDate>Sat, 08 Oct 2022 13:40:16 +0800</pubDate><description><![CDATA[基本概念
有向⽆环图：没有环的有向图
拓扑序：有向图 的拓扑序是指满⾜下列条件的顶点序列 v1,v2,...,vn
对于每⼀条边(vi. vj) ，都有i < j]]></description><category></category></item><item><title><![CDATA[【算法】自己制作的《算法笔记》章节知识大纲思维导图]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127197870</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127197870</guid><author>bill2766</author><pubDate>Fri, 07 Oct 2022 19:26:48 +0800</pubDate><description><![CDATA[自己制作的《算法笔记》章节知识大纲思维导图。]]></description><category></category></item><item><title><![CDATA[【机器学习-＞获取数据】利用tqdm(DLProgress), urlretrieve()的数据集下载通用代码，以MovieLens为例]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/127031405</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/127031405</guid><author>bill2766</author><pubDate>Sat, 24 Sep 2022 21:50:25 +0800</pubDate><description><![CDATA[以下载MovieLens为例，实现一个存放到指定路径，显示下载进度的效果。个人觉得这段代码比较通用，记录一下。另外还可以参考的解压MovieLens的代码。]]></description><category></category></item><item><title><![CDATA[【Python】获得指定路径下找到所有大文件]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/126882212</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/126882212</guid><author>bill2766</author><pubDate>Fri, 16 Sep 2022 00:33:33 +0800</pubDate><description><![CDATA[会打印出该文件夹下所有大文件，并且按降序排列。如果打印结果不好看，可以用Excel/WPS打开保存的csv文件。]]></description><category></category></item><item><title><![CDATA[【Python】获得指定路径下的所有jpg和png文件]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/126742536</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/126742536</guid><author>bill2766</author><pubDate>Wed, 07 Sep 2022 11:54:01 +0800</pubDate><description><![CDATA[利用os.walk()和fnmatch模块]]></description><category></category></item><item><title><![CDATA[【Python】利用zipfile.ZipFile和write()创建压缩包]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/126720809</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/126720809</guid><author>bill2766</author><pubDate>Tue, 06 Sep 2022 11:12:58 +0800</pubDate><description><![CDATA[文件目录如下，源代码写在test.py中，我想把同路径下的tree1的文件夹整个压缩。]]></description><category></category></item><item><title><![CDATA[【Python】python使用Counter()统计列表中字符出现的频率（次数）]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/126692002</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/126692002</guid><author>bill2766</author><pubDate>Sun, 04 Sep 2022 17:28:16 +0800</pubDate><description><![CDATA[文件对象有iter、next方法，所以它是一个可迭代对象，可以用for循环遍历。我们可以遍历文件获得每一行字符，再遍历每一行，获得每个字符，将字符放入列表，然后统计每个字符出现的频率。以统计文件中字符的频率为例，可以通用到其他应用中去。案例：统计字母出现的频率。]]></description><category></category></item><item><title><![CDATA[【推荐系统-＞论文阅读】Wide&Deep模型]]></title><link>https://blog.youkuaiyun.com/bill2766/article/details/126689525</link><guid>https://blog.youkuaiyun.com/bill2766/article/details/126689525</guid><author>bill2766</author><pubDate>Sun, 04 Sep 2022 15:01:40 +0800</pubDate><description><![CDATA[（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。]]></description><category></category></item></channel></rss>