qq_40844018的博客

本文学习的代码来自于知乎文章：https://zhuanlan.zhihu.com/p/29679742 代码地址为：https://link.zhihu.com/?target=https%3A//github.com/domluna/memn2n 数据地址为：http://www.thespermwhale.com/jaseweston/babi/tasks_1-20_v1-2.tar.gz 论文地址为：https://arxiv.org/abs/1503.08895 1 任务 解决QA场景。所使用的.

本文研读Collaborative Memory Network for Recommendation Systems论文复现代码，源代码来源于https://codeload.github.com/IamAdiSri/cmn4recosys/zip/master 文章目录1. 论文思想2. 论文复现2.1 获取训练数据 1. 论文思想 本文采用记忆力神经网络的框架，综合CF和attention机制来选择记忆单元，预测item评分。 2. 论文复现 2.1 获取训练数据 源码所使用的数据中用户数目为1698

该文提出了一个 memory network ，该网络基于long-term memory component。将该模型应用于QA（查询-回答）场景下

将两类CF模型（捕获全局结构的隐因子模型和捕获邻域结构的模型）以非线性的方式进行组合。使用记忆单元和注意力机制来学习user-item的邻域关系。 目录1 简介2 collaborative memory network2.1 单跳2.1.1 user embedding2.1.2 neighborhood attention2.1.3 output model2.2 多跳总结 1 简介 现有的基于邻域的方法和基于隐因子的方法要么是只关注局部信息，要么只关注全局信息。 记忆网络通常包含两部分：externa

文章目录1 背景2 RUM：recommend with user memory network2.1 记忆网络预测的整体流程2.2 memory matrix的更新读写设计2.2.1 从item角度设计读写策略2.2.2 从feature角度设计读写策略2.3 memory的更新读写对比总结 1 背景 现有方法缺陷 1.并不是所有的历史行为都对用户未来喜好有用； 2.现有的方法会将用户的历史序列用一个embedding进行表示，忽略了各个item之间的关系，以及各自的特征）； 就如上图所示，要预测用户