江城暮色

Method: 为了克服这些挑战，作者提出了一个名为FTS-Diffusion的生成框架，该框架由三个主要模块构成：i) Pattern Recognition Module（模式识别模块）：采用尺度不变子序列聚类（SISC）算法，通过动态时间弯曲（DTW）技术来识别时间序列中的不规则和尺度不变模式。Background: 金融时间序列数据的生成对于深度学习模型的训练至关重要，但由于金融数据的不规则性和尺度不变性，使得现有的数据生成方法难以有效捕捉其复杂模式。导致分布中蕴含的有价值的见解可能会被忽略。

【开门见山】To realise the intelligent decision-making of dynamic scheduling and reconfiguration, we studied the intelligent scheduling and reconfiguration with dynamic job arrival for a。

【介绍TPS的背景】The Toyota production system (TPS) or lean has long been regarded as a powerful approach for managing manufacturing factories. However, in the early 1990s, the TPS was found not to work when it was applied to Japanese electronics companies. 【介绍TP

【引出语言智能的重要性】Ever since the Turing Test was proposed in the 1950s, humans have explored the mastering of language intelligence by machine. Language is essentially a complex, intricate system of human expressions governed by grammatical rules. It poses a sig

【开门见山】Optimization algorithms and large language models (LLMs) enhance decision-making in dynamic environments by integrating artificial intelligence with traditional techniques. 【讲LLM的特点】LLMs, with extensive domain knowledge, facilitate intelligent modeli

节点标签是指分类标签，节点属性表示节点分类的输入要素。直觉上，来自不同网络的相同标记的节点可能更可能具有相似的属性，而不是具有相似的拓扑结构，特别是当节点标记更依赖于同质性效应[27]而不是结构同一性[28]时。例如，属于同一研究领域（即标签）的文章，比如来自不同引用网络的“信息安全”，可能在其标题（即属性）中包括一些共同的关键词，如“隐私、验证、加密、解密和密码术”，而它们在不同的网络中可能具有相当不同的拓扑结构。因此，与仅基于平面网络的算法相比，能够捕捉属性相似性和拓扑邻近性的属性网络嵌入算法应该更适合

给定一个具有完全标记节点的源网络和一个具有完全未标记节点的目标网络，我们的目标是学习合适的节点表示，基于这些表示，可以成功地利用来自源网络的大量标记数据来分类目标网络中的节点。为此，提出了一种对抗性跨网络深度网络嵌入(ACDNE)模型，创新性地将深度网络嵌入与对抗性域适应相结合。所提出的深度网络嵌入模块包含两个特征提取器，这两个特征提取器分别基于每个节点自身的属性和由相关联的拓扑邻近度加权的其邻居的属性来学习节点表示。然后，节点之间的属性亲合性和拓扑邻近性可以被很好地保留。

题目：基于模体的图自监督学习用于分子性质预测 来源：NeurIPS 2021 单位：中国科学技术大学。

GIKT: A Graph-based Interaction Model for Knowledge Tracing作者：Yang Yang, Jian Shen, Yanru Qu, Yunfei Liu, Kerong Wang, Yaoming Zhu, Weinan Zhang, Yong Yu来源：ECML-PKDD’20代码：https://github.com/Rimoku/GIKT关键词：Knowledge Tracing, Graph Neural Network, Infor

文章目录Graph-based Knowledge Tracing: Modeling Student Proficiency Using Graph Neural Network研究对象面临的问题难点作者的方法FrameworkGKT问题定义聚合更新预测隐含图结构的实现及 fneighborf_{neighbor}fneighbor​基于统计的方法基于学习的方法Graph-based Knowledge Tracing: Modeling Student Proficiency Using Graph

文章目录User-as-Graph: User Modeling with Heterogeneous Graph Pooling for News Recommendation研究对象存在的问题作者的方法相关工作——图池化方法个性化图的构建异质图池化节点表示学习模型训练实验User-as-Graph: User Modeling with Heterogeneous Graph Pooling for News Recommendation题目：《一人一图：基于异质图池化用户建模的新闻推荐方法》作

Package Recommendation with Intra- and Inter-Package Attention Networks题目：《利用“包内”和“包间”注意力网络的包推荐》作者：Chen Li, Yuanfu Lu, Wei Wang, Chuan Shi, Ruobing Xie, Haili Yang, Cheng Yang, Xu Zhang, Leyu Lin来源：SIGIR’21代码：https://github.com/LeeChenChen/IPRec关键词：r

文章目录TGCN: Tag Graph Convolutional Network for Tag-Aware Recommendation研究对象面临的问题挑战作者的方法Frame Work方法构造图标签卷积网络1 类型感知邻居聚合 (C1)1.1 异构邻居采样1.2 邻居聚合2 信息更新 (C2)2.1 类型级信息重构2.2 特征交互提取2.3 高阶传播3 TransTag正则化 (C3)4 联合训练5 讨论实验TGCN: Tag Graph Convolutional Network for Tag

文章目录Look Before You Leap: Confirming Edge Signs in Random Walk with Restart for Personalized Node Ranking in Signed Networks研究对象相关工作传统方法最近的工作作者的方法方法的细节迭代算法收敛性证明Look Before You Leap: Confirming Edge Signs in Random Walk with Restart for Personalized Node R

文章目录Sequence Recommendation with Graph Neural Networks研究对象面临的问题作者的方法贡献Frame Work方法兴趣图的构建兴趣融合图卷积层兴趣抽取图池化层预测层实验Sequence Recommendation with Graph Neural Networks题目：基于图神经网络的序列推荐作者：Jianxin Chang, Chen Gao, Yu Zheng, Yiqun Hui, Yannan Niu, Yang Song, Depeng