Yanir的博客

先打个岔，区分一下recurrent neural network循环神经网络和recursive neural network递归神经网络。recurrent: 时间维度的展开，代表信息在时间维度从前往后的的传递和积累，可以类比markov假设，后面的信息的概率建立在前面信息的基础上，在神经网络结构上表现为后面的神经网络的隐藏层的输入是前面的神经网络的隐藏层的输出；recursive: 空间维度的展开，是一个树结构，比如nlp里某句话，用recurrent neural network来建模的话就

最近在看一篇论文，里面用到以上几个分类器算法，简单回顾一下。DBSCANK-means++K-Means聚类算法原理 - 刘建平Pinard - 博客园k个初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响，因此需要选择合适的k个质心。如果仅仅是完全随机的选择，有可能导致算法收敛很慢。那K-means++就是在K-means算法的基础上，多了一步选取优秀的初始聚类中心点，即，使k个中心点相隔较远。具体实现：Naive Bayes（朴素贝叶斯）带你.

0 前言通常，将GCN分为基于空间域spatial-based和基于谱域spectral-based."所谓的两类其实就是从两个不同的角度理解"[4]，这也是我对两类的理解，因为从公式上看并没有较大区别，只是细节和适用场景不同，比如，图是否有向等。基于空间域的GCN关键在有aggregate的概念，将中心节点表示和相邻节点表示进行聚合，具体实现是用neighbor feature更新下一层的hidden state。代表模型有：NN4G(neural network for graph)、DCNN.

Table of Contents写在前面一、应用：药物之间的相互作用预测Large-scale structural and textual similarity-based mining of knowledge graph to predict drug–drug interactions1.KG构建2.药物相似性度量3.模型二、应用：神经-图协同过滤算法 Neu...

前言非负矩阵分解（Nonnegative matrix factorization,NMF）目前有着广泛的应用：环境、模式识别、多媒体、文本挖掘、DNA基因表达以及分类/聚类。NMF的研究追溯到1970sG. Golub的初步探索到Paatero[1]的广泛研究。Lee and Seung[2,3]在机器学习和数据挖掘领域对NMF的研究工作带来广泛的关注。他们揭示NMF因子（即F和G）与源数据有着部分相干性。他们强调了NMF和矢量量化VQ（本质是K-Means聚类）的区别。NMF与...

Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting摘要：由于不同道路之间复杂的空间相关性和时间模式的动态趋势，使得交通流时空数据预测成为一项具有挑战性的任务。现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间相关性。然而，不完全相邻连接的给定空间图结构的有限表示可能会限制这些模型的有效时空依赖学习。此外，现有的方法在解决复杂的时空数据时显得力不从心：它们通常使用单独的模块来处理时空相关性，或者它