ELMA的博客

代码实现：https://github.com/SNIKCHS/d2l_RecSys_pytorch1.相关概念1.1协同过滤Collaborative Filtering协同过滤算法基于一个基础的强预设：在观测到用户消费过条目A之后，有很高的可能性观测到用户会喜欢与A相似的条目B（Item CF）以及相似的用户可能喜欢同一个条目。所以协同过滤的核心在于描述条目和用户的相似度。相似度有很多种计算方式，最常用的就是欧式距离，和余弦相似度。1.2显式反馈和隐式反馈显性反馈行为：用户明确表示对物品喜

一、Attention1.1心理学中的注意力提示心理学家认为生物会基于非自主性提示和自主性提示 有选择地引导注意力的焦点。非自主性提示是基于环境中物体的突出性和易见性。如下图中由于突出性的非自主性提示（红杯子），注意力不自主地指向了咖啡杯人希望读书时，依赖于任务的意志提示，注意力被自主引导到书上1.2注意力机制卷积、全连接、池化层都只考虑非自主性提示，如max pooling抽取一定范围内最大的数据，注意力机制则考虑自主性提示。自主性提示称为查询(query)每个输入是一个值(v

文章目录一、循环神经网络1.1 序列模型1.2 符号约定1.3 循环神经网络模型1.4 循环神经网络的反向传播1.5 不同类型的循环神经网络1.6语言模型和序列生成1.7 新序列采样1.8 循环神经网络的梯度消失1.9 门控循环单元(Gated Recurrent Unit（**GRU**）)1.10 长短期记忆（**LSTM**（long short term memory）unit）1.11 双向循环神经网络1.12 深层循环神经网络二、自然语言处理与词嵌入2.1词嵌入(**word embedding

文章目录一、卷积神经网络1.1 卷积神经网络基础1.1.1 计算机视觉介绍1.1.2 边缘检测示例1.1.3 Padding1.1.4 卷积步长（Strided convolutions）1.1.5 三维卷积（Convolutions over volumes）1.1.6 单层卷积网络1.1.7 池化层（Pooling layers）1.1.8 卷积神经网络示例1.1.9 为什么使用卷积？（Why convolutions?）1.2 深度卷积网络：实例探究1.2.1 经典网络1.2.2 残差网络(ResNe

文章目录一、神经网络和深度学习1.1 神经网络基础1.1.1 逻辑回归(Logistic Regression)1.1.2 逻辑回归的代价函数（Logistic Regression Cost Function）1.1.3 梯度下降法（Gradient Descent）单个样本的梯度下降m 个样本的梯度下降1.2浅层神经网络(Shallow neural networks)1.2.1 神经网络的表示（Neural Network Representation）1.2.2 计算一个神经网络的输出1.2.3 激