<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[komjay的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/komjay</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; komjay]]></copyright><item><title><![CDATA[BMR：基于Boostrapping多视图的虚假新闻检测]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/138050399</link><guid>https://blog.youkuaiyun.com/komjay/article/details/138050399</guid><author>komjay</author><pubDate>Sun, 21 Apr 2024 23:58:54 +0800</pubDate><description><![CDATA[文章提出了三种视图信息来表示一篇新闻：文本、图像结构、图像语义。然后设计了改进的多门混合专家系统（iMMoE）来进行信息融合。保留单模态信息来保证特征对新闻的保真性，增加的多模态信息能保证不同模态的一致性，从而提高整体模型的识别能力。]]></description><category></category></item><item><title><![CDATA[MRHFR：基于不同阅读习惯的多模态虚假新闻检测]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/138013634</link><guid>https://blog.youkuaiyun.com/komjay/article/details/138013634</guid><author>komjay</author><pubDate>Sun, 21 Apr 2024 23:24:32 +0800</pubDate><description><![CDATA[在多模态领域中，主要存在两个核心问题：一致性对齐问题和交互融合问题。一致性对齐问题主要指不同模态的信息匹配，例如实体对齐、语义对齐，例子有：文本中的“男人”与图片中男子指代一个人。交互融合问题指不同模态的信息如何进行合理的融合。本文提出一种新型的将新闻文本和图像两种模态进行融合的方法，以提升对虚假新闻的检测。本文虽然只使用了文本和图像的信息融合， 但是这种结合方法似乎可以运用到更多种模态的融合当中，这种混合使用各种模型，以一定逻辑组合在一起的模态融合方法似乎是一个很主流的研究方向。V_%7Bg%7D。]]></description><category></category></item><item><title><![CDATA[HG-SL：基于全局和局部用户行为的新闻]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/137478914</link><guid>https://blog.youkuaiyun.com/komjay/article/details/137478914</guid><author>komjay</author><pubDate>Sun, 07 Apr 2024 23:17:33 +0800</pubDate><description><![CDATA[本文的主要目标是，仅通过用户行为来判断新闻的真伪。而基于用户行为（转发、好友建立）等操作可以识别出哪些用户是机器人，再以其行为去鉴别新闻的真假。]]></description><category></category></item><item><title><![CDATA[FaskSV：丰富背景知识+多模态的短视频新闻检测]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/137472822</link><guid>https://blog.youkuaiyun.com/komjay/article/details/137472822</guid><author>komjay</author><pubDate>Sun, 07 Apr 2024 21:16:47 +0800</pubDate><description><![CDATA[在之前的新闻检测数据集中，存在数据量少、特征模态不够多、新闻涉及面单一等问题。在FakeSV数据集中，首次将用户（发布视频的人）信息也归为一种模态。最后该数据集的情况如下展示：首先注意到该数据集来源是抖音和快手，所以处理的语言就是中文。然后数据集所包含的领域是全领域的，并不像之前只关注健康或者疫情新闻。]]></description><category></category></item><item><title><![CDATA[第四章 基于社交网络的推荐系统]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136782074</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136782074</guid><author>komjay</author><pubDate>Mon, 18 Mar 2024 00:02:57 +0800</pubDate><description><![CDATA[TrustWalker有着最低的错误率和最高的正确率。总结基于记忆的方法，其特点有：不需要学习模型，只是探索网络以查找评分者；需要存储社交评分网络；由于需要探索，在线预测消耗时间长。]]></description><category></category></item><item><title><![CDATA[第三章 混合推荐系统和推荐系统评价标准]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136606982</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136606982</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 21:06:00 +0800</pubDate><description><![CDATA[混合推荐系统可以理解成集成学习应用到推荐系统中。而推荐系统的评价指标与正常的机器学习指标不同，需要额外记忆。]]></description><category></category></item><item><title><![CDATA[第二章 基于内容、知识的推荐系统]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136606228</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136606228</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 19:16:21 +0800</pubDate><description><![CDATA[在推荐系统中，内容主要指对商品的文字描述，所以属于NLP领域，而不是CV领域。而最后提取到的内容是一系列关键词。基于内容和知识的两类推荐各有各的优势，但实际的技术手段是一样的，内容描述商品的关键词，知识描述商品的属性。]]></description><category></category></item><item><title><![CDATA[第一章 基于评分矩阵的推荐系统]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136604933</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136604933</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 17:50:16 +0800</pubDate><description><![CDATA[1.推荐系统概要2.学习三种协同过滤的经典推荐系统3.学习各种方法改善协同过滤的推荐系统        作用：为用户定制化提供推荐信息。        原因：如今用户处在信息爆炸的时代，难以找到自己想要的信息。        难点：不像搜索引擎一样需要用户输入，而且需要针对不同用户个性化推荐。        即计算该用户历史上对一系列物品的评分取平均，作为其对当前一系列所对应未知物品的评分。选择前n个物品来作推荐。        寻找当前用户的一些相似邻居（他们的历史评分与当前用户的相似），这些邻居有对未知]]></description><category></category></item><item><title><![CDATA[第三章 学习基础知识]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136604258</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136604258</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 16:52:05 +0800</pubDate><description><![CDATA[深度学习是一门有技术门槛的一门课，需要对机器学习有所了解且拥有学习经历才能学习下去。]]></description><category></category></item><item><title><![CDATA[第二章 卷积神经网络]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136602383</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136602383</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 16:28:10 +0800</pubDate><description><![CDATA[本章只是简单介绍CNN的内容，以掌握基础知识为主，主要的知识会在后续讲解。]]></description><category></category></item><item><title><![CDATA[第一章 深度学习发展概述]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136601700</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136601700</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 14:59:15 +0800</pubDate><description><![CDATA[了解深度学习的历史、著名算法结构、应用。]]></description><category></category></item><item><title><![CDATA[第二课 情感认知模型]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136565734</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136565734</guid><author>komjay</author><pubDate>Sun, 10 Mar 2024 00:00:05 +0800</pubDate><description><![CDATA[本章的主要内容是要对情绪的形成进行建模，可以理解成如何得到一个情绪向量，基本情感论是认为该向量各个维度独立，是0/1值。维度空间各个维度也独立，但是是连续值。后面的情感模型则希望不对向量各维进行人工定义，而是想通过机器学习来得到。了解情感诱发机制则是帮助我们得到想要的数据信息。]]></description><category></category></item><item><title><![CDATA[第一课 情感计算课程介绍与绪论]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/136563151</link><guid>https://blog.youkuaiyun.com/komjay/article/details/136563151</guid><author>komjay</author><pubDate>Fri, 08 Mar 2024 16:11:06 +0800</pubDate><description><![CDATA[想要让理解情感，首先是要认识什么是情感，并对情感进行建模。在心理学中，情感包含三种内在成分和三种外在成分。内在成分指情绪的构成，其决定情绪的种类和强烈：理解情感、认识情感计算、了解情感计算的研究与应用。]]></description><category></category></item><item><title><![CDATA[自然语言处理(第17课 文本分类和聚类)]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135315013</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135315013</guid><author>komjay</author><pubDate>Sun, 31 Dec 2023 16:53:03 +0800</pubDate><description><![CDATA[将文本分类，主要工作是让机器分析文章内容，辨别其类别。]]></description><category></category></item><item><title><![CDATA[自然语言处理(第16课 机器翻译4、5/5）]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135267063</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135267063</guid><author>komjay</author><pubDate>Thu, 28 Dec 2023 15:22:48 +0800</pubDate><description><![CDATA[语音翻译的基本原理相比大家都能猜到：将源语言识别出源文本、源文本转目标文本、目标文本转目标语音：（但是，要注意的是，源语言和目标语言的转换应该是双向的）]]></description><category></category></item><item><title><![CDATA[机器学习 (第9章 概率图模型)]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135183534</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135183534</guid><author>komjay</author><pubDate>Mon, 25 Dec 2023 13:28:31 +0800</pubDate><description><![CDATA[对于一个很大的贝叶斯网络，我们需要有一个很高效的方法的快速辨别两个变量之间是不是独立的，但我们这里考虑条件独立性，条件独立性不同于独立性，条件独立性，必须要在某一条件下，考虑另外两个变量之间的独立性。在贝叶斯网络，其联合概率计算是由图来定义的，如下图1.所展示，而如果没有贝叶斯网络，我们无法了解各个变量之间是否有联系，就认为都有联系，于是列出的联合概率公式为0.所示。概率图模型基于图，而图这种数据结果分为两种：有向图和无向图，针对有向（无环）图结构，实现的是贝叶斯网络，针对无向图，则为马尔可夫随机场。]]></description><category></category></item><item><title><![CDATA[机器学习(第8章 信息论模型)]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135072074</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135072074</guid><author>komjay</author><pubDate>Mon, 18 Dec 2023 22:18:19 +0800</pubDate><description><![CDATA[要注意,信息量用于描述是一个变量取值的，比如：北京明天天气=下雪。而信息熵用于描述一个变量的，例如北京明天天气。之所以说微分熵不是信息熵，是因为信息熵应该计算概率值，而微分熵公式中的“概率值”并不是概率值，其是连续概率分布上的取值。真正的概率值是p(x)*δx，其中δx是一个极小的值。而真正的连续概率分布的信息熵推导如下：如红字所写，微分熵可以用于对比，但不能等价于信息熵。（红字错写成信息量了）重点学习熵相关定义和最大熵模型的优化过程。]]></description><category></category></item><item><title><![CDATA[自然语言处理（第15课 机器翻译3/5)]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135061800</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135061800</guid><author>komjay</author><pubDate>Mon, 18 Dec 2023 14:52:31 +0800</pubDate><description><![CDATA[学习神经网络的进步性。学习RNN和注意力机制实现的机器翻译。]]></description><category></category></item><item><title><![CDATA[自然语言处理(第14课 机器翻译1、2/5）]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135052711</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135052711</guid><author>komjay</author><pubDate>Mon, 18 Dec 2023 14:14:28 +0800</pubDate><description><![CDATA[规则越少，说明模型所需的先验知识越少，模型更强，但也可能导致模型最终的效果不好。]]></description><category></category></item><item><title><![CDATA[算法中的最优化方法与实现(第终章 总结)]]></title><link>https://blog.youkuaiyun.com/komjay/article/details/135036684</link><guid>https://blog.youkuaiyun.com/komjay/article/details/135036684</guid><author>komjay</author><pubDate>Sat, 16 Dec 2023 19:58:56 +0800</pubDate><description><![CDATA[1.学习将理论知识运用到实际问题的流程。2.总结学习过各类优化算法。]]></description><category></category></item></channel></rss>