mengmeng6666的博客

原创 【无标题】

打开文档所在位置，运行txt文档。

原创 win10系统重装-联想ThinkPad S2

系统

原创 图表征学习总结

文章目录图嵌入发展Deep walkLINE：Large-scale Information Network EmbeddingNode2VecSDNEGCNGraphSageGATGated Graph Neural NetworkHAT图嵌入用低维、稠密、实值的向量表示网络中的节点（含有语义关系，低维，自适应性），且可以将异构信息投影到同一低维空间。Graph Embedding 的中心思想是找到一种映射函数，将图中的每个节点转换为低维稠密的嵌入表示，要求在图中相似的节点在低维空间距离相近。得到

原创 【免费扩容onedrive】

免费扩容onedrive最高可以免费获得10G,每邀请一个新用户就可以双方共同获得0.5G内存扩容链接：https://onedrive.live.com?invref=2ef0e90fd6f1bed7&invscr=90

原创 Deepwalk

2014,ACM sigKDD源码：https://github.com/phanein/deepwalk作者主页：http://www.perozzi.net/publications/#section2思想NPL技术短结点序列随即游走+skipgram模型+层次softmax优化（过时） 随即游走：定义从每个结点开始游走的次数gama，和游走序列长度t skipgram模型：定义窗口大小w，每次选择2w+1个结点，中心节点预测上下文结点，计算概率 层..

转载 将anaconda虚拟环境移植到另一台电脑

1、先在新电脑上下载一个conda，并安装，安装路径最好同旧电脑。这样迁移过程中就不存在路径问题了，安装后别忘了配置环境变量。2、直接复制旧电脑conda安装目录下的envs文件夹下的虚拟环境，粘贴到新的电脑上conda安装目录的envs文件夹下（再重申一下，最好新旧路径保持一致，省的出现各种路径问题），大家可以看到我的虚拟环境有好多个（文件夹的名字就是虚拟环境的名字）3、看清这个路径，可以点开json文件看一下，里边有对应的python包源文件的存储地址，比如我点开第一个json文件，source后

原创 annaconda环境创建使用，镜像

https://blog.youkuaiyun.com/qq_38832757/article/details/112878865

转载 anaconda 环境导入导出

anaconda 环境导出/导入）从A机器中导出环境到B机器中；![在这里插入图片描述](https://img-blog.csdnimg.cn/2021051809450613.png从A机器中导出环境到B机器中；首先在进入到A机器的环境中conda env list 查找所有环境激活进入到所要导出的环境中activate python36 python36为要导出的环境名称导出环境 到yml文件， 文件名为 python36_20190106.ymlconda env

原创 [HITS算法]Authoritative Sources in a Hyperlinked Environment

文章目录前言一、Constructing focused Subgraph二、Computing Hubs and Authorities例子《Authoritative Sources in a Hyperlinked Environment》Jon M. KleinbergACM 1999论文地址：http://dl.acm.org/doi/10.5555/314613.315045PPT：https://www.docin.com/p-19955781.html..

原创 个性化推荐的十大挑战

大佬周涛总结http://blog.sciencenet.cn/home.php?mod=space&uid=3075&do=blog&id=554630

原创 Bipartite Graph Reinforcement Model for Web Image Annotation

文章目录Bipartite Graph Reinforcement Model for Web Image AnnotationBipartite Graph Reinforcement Model for Web Image AnnotationProceedings of the 15th International Conference on Multimedia 2007, ACM论文链接：https://xueshu.baidu.com/usercenter/paper/show?pa..

原创 ATRank: An Attention-Based User Behavior Modeling Framework for Recommendation

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创

原创 BiRank: Towards Ranking on Bipartite Graphs

BiRank: Towards Ranking on Bipartite Graphs（扩展到TriRank）解决问题：ranking vertices of a bipartite graph, graph ranking, bipartitegraphs对图中的顶点进行排序.传统方法问题：PageRank, HITS 只使用了graph structure本文方法：graph link structure（就是定义的边的权重，一个只与时间有关的单调、递减、指数衰减函数）, priorinfo

原创 传统推荐模型

原创 graph embedding（图嵌入）

图embedding文章目录图embedding一、pandas是什么？二、使用步骤1.引入库2.读入数据总结提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import

转载 anaconda命令

anaconda用法：查看已经安装的包：pip list 或者 conda list安装和更新：pip install requestspip install requests --upgrade或者conda install requestsconda update requests更新所有库conda update --all更新 conda 自身conda update conda更新 anaconda 自身conda update anacondaanaconda换源：

原创 用户画像user portrait

用户画像：用户信息标签化收集社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息从而抽象出用户的信息全貌标签类型：统计类标签某用户的性别、年龄、近七日活跃时长、近七日活跃天数…规则类标签平台“活跃用户”规定：“近30天交易次数>=2”机器学习挖掘类标签根据一个用户的行为判断他是男性还是女性、根据一个用户的消费习惯判读他对商品的喜好程度数据架构：...

原创 BiNE: Bipartite Network Embedding

**BiNE: Bipartite Network Embedding**SIGIR 2018论文链接：https://dl.acm.org/doi/10.1145/3209978.3209987项目代码：https://github.com/clhchtcjj/BiNE文章目录BiNE: Bipartite Network Embedding摘要1、Introduction2、Related work1.引入库2.读入数据总结摘要本文工作：提出了**二分图表示学习方法——BiNE

原创 联合概率joint probability

联合概率是指在多元的概率分布中多个随机变量分别满足各自条件的概率。https://blog.youkuaiyun.com/tian_panda/article/details/80509596

原创 为什么要归一化？

输出的神经元概率可能是1.8,2.8.。。。不方便比较归一化之后得到0-1之间的数，便于使用和比较归一化就是要把需要处理的数据经过处理后(通过某种算法)限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。引用...

转载 network Embedding-DW方法总结

DeepWalktime: 2014对图从一个节点开始使用random walk来生成类似文本的序列数据，然后将节点id作为一个个「词」使用skip gram训练得到「词向量」。LINELINE分析了1st order proximity和2nd order proximity，其中一度相似性就是两个点直接相连，且边权重越大说明两个点越相似，如图中的6和7；而二度相似性则是两个点之间共享了很多邻居，则它们的相似性就很高，如图的5和6。2.1 LINE with First-order .

转载 长尾分布（long-tail distribution）和长尾效应

长尾分布（long-tail distribution）和长尾效应1、长尾效应作者：赵澈链接：https://www.zhihu.com/question/20027490/answer/20420381来源：知乎长尾效应其实是幂率分布的通俗提法，在物理上也被称为无标度现象，这种现象在自然界与社会生活中都相当地常见，可参考幂律分布_互动百科。里面也提到之所以叫无标度，是因为「系统中个体的尺度相差悬殊，缺乏一个优选的规模」。如下图这般，极少数个体（横轴）对应极高的值（纵轴），而拥有极低值的个体，数

转载 同构网络和异构网络

**同构网络和异构网络**摘自https://guides.co/g/the-network-effects-bible/121732同构网络是指所有节点在网络中具有相同功能的网络。 一个用户可以与下一个用户互换基本功能。 例如，在固定电话网络中，每个节点（电话）基本上执行与其他任何节点相同的功能，并且人们出于相同的原因而使用电话。 通常，电信网络通常是同类的。异构网络是指按功能和效用将节点分为两类或更多类的网络。 在Honeybook市场网络上，活动策划者的行为与摄影师不同，摄影师与花店的行为