qq_36013952的博客

深度解析：Embedding-based Retrieval in Facebook SearchAbstractQuestionMethodAnswerModel评价指标Loss FunctionUnified embedding模型Training Data MiningFeatureServing国内外研究及前沿技术Hard MiningHard negative mining (HNM)Hard positive miningembedding集成AbstractQuestion除了查询文本之

深度解析论文 Point-of-Interest Demand Modeling with Human Mobility PatternsAbstractQuestionMethodModelAnswerIntroduction作者为什么研究这个课题?AbstractQuestion确定空间区分区域的 POI 需求对政府来说是至关重要的，也是当地企业生存的关键。如果来自一个地区的人经常到其他地区去餐馆和医生，那么人们很可能需要这个地区新的或改进的餐馆和卫生服务。因此，人类流动模式可以用来确定人们的日

深度解析论文 PLASTIC:Prioritize Long and Short-term Informationin Top-n Recommendationusing Adversarial TrainingAbstractQuestionMethodModelAnswerIntroduction作者为什么研究这个课题?AbstractQuestion矩阵分解虽然很好用，但是他没发现用户的数据会随着时间的推移而发生改变，比如一个项目的流行程度可能会随着时间的推移而发生改变例如，一个用户倾向于将一部

Space Time Features-based Recurrent Neural Network for predicting people next locationAbstractQuestionMethodModelIntroduction作者为什么研究这个课题?参考模型介绍RNNLSTMSeq2seq相关工作与现有工作的区别AbstractQuestion①处理时间序列问题。②RNN 结构共享一组梯度下降的训练参数（U,W,b），所以梯度在反向传播过程中，不断连乘，数值不是越来越大，就是

CEPR: A Collaborative Exploration and Periodically Returning Model for Location PredictionAbstractQuestionMethodModelContributionAnswerAbstractQuestion①目前的很多研究都是用Hadamard product、inner product等简单的方法来计算特征交互，对特征的重要性关注较少。②不同的特征对目标任务有不同的重要性。例如，当我们预测一个人的收入时

基于 LSTM 的 POI 个性化推荐框架AbstractQuestionMethodModelIntroduction作者为什么研究这个课题?参考模型介绍① word2vec②CBOW模型③ LSTM长依赖存在的问题LSTM 网络LSTMs的核心思想一步一步理解LSTM相关工作与现有工作的区别Conclusion这篇文章存在的缺陷AbstractQuestion目前针对 POI 推荐, 已经有部分算法提出, 但是他们受限于自身的局限性,都不能完美的糅合 POI 场景中的所有信息.MethodPO

CEPR: A Collaborative Exploration and Periodically Returning Model for Location PredictionAbstractQuestionMethodModelAnswerIntroduction作者为什么研究这个课题?参考模型介绍① Friendship and mobility: user movement in loc...