qifeiyang112358的博客

bipatite 网络嵌入工作bipatite network 分别有两种节点集合，以及集合之间的连接（边）构成，即（U，V，E），其中E的边可以构成一个 |U| x |V| 的权重矩阵W。 BINE: 的contribution之一即同时区别了显式（explicit）和隐式（implicit）的关系。其中，显式的关系和LINE的一阶概率是一致的，采用了KL散度对节点的向量进行计算——...

 读论文：HongYun Cai, Vincent W. Zheng, Kevin Chen-Chuan Chang: A Comprehensive Survey of Graph Embedding: Problems, Techniques, and Applications. IEEE Trans. Knowl. Data Eng. 30(9): 1616-1637 (2018) ...

依然是POI推荐问题，这里作者将POI推荐的向量学习抽象为异构的网络，从而融合了序列因素、地理影响、时序变化影响和语义影响，利用图嵌入技术将这些信息降到低维空间中。如图：POI-POI，POI-region，POI-time，POI-Word 分别被看作双向图处理，依次获取序列、地理位置、时间和语义信息。图1，权重如GME-s，在时间片中的共现次数；图2，存在置为1；图3，根据频次设置权重；...

将用户-poi，poi-poi图进行嵌入学习，从而可以在低纬空间对poi进行描述，完成下一个poi的推荐。最近在理解了KL散度的基础上重新对推导过程进行了分析，其中KL散度的理解主要基于交叉熵和信息熵的理解，根据 交叉熵和相对熵 和 KL散度 的介绍。通过对最短编码，或最小代价值的认知，也即损失最小的情况，某现象出现的概率和编码（信息总量，对概率倒数取log值）的乘积，交叉熵即为错误编码长度...

作者提供了一个很新鲜的分析问题：研究用户对话题的偏向性，从而发现潜在的话题发起者和支持者（反对者）。和情感还是有一些差别的。可以用于用户推荐等过程。主要利用了文本和关系特征。 三大组件：作者提出的系统主要包括了三个部分，其一是发现偏置的anchors，然后发现传播的bias，最后嵌入两者，得到regular用户的偏好。首先，在发现anchor时，选择利用hashtag，给定seed，...

Generating Adversarial Malware Examples for Black-Box Attacks 用生成对抗网络生成可以不被黑盒判别器识别的恶意软件。 恶意软件用M维的binary向量表示，每个维度表示API的调用（0,1分别表示是否调用） 这里用到dual-training的思想（大概吧，毕竟文中没有说明），在生成过程中首先加入噪声，结合其他操作...

Improving Topic Models with Latent Feature Word Representatio 先介绍了LDA和DMM两种模型，其中DMM比较独特，因为他假设文档只有一个话题，即单个文档中所有单词的多项式分布是一致的（对应于一个话题），所以生成过程是，先为文档生成话题，然后基于该话题分布生成单词。Θ是K维的向量，而不是K*D的矩阵。 这篇文章结合预先训练...