<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_45721997的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_45721997</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_45721997]]></copyright><item><title><![CDATA[vscode jupyter 如何关闭声音]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/136767137</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/136767137</guid><author>qq_45721997</author><pubDate>Sat, 16 Mar 2024 18:17:59 +0800</pubDate><description><![CDATA[然后把user和remote的以下设置都设置为off就行了！网上之前搜的zen模式失败。仅仅降低sound失败。]]></description><category></category></item><item><title><![CDATA[怨种的服务器之旅]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/131532517</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/131532517</guid><author>qq_45721997</author><pubDate>Tue, 04 Jul 2023 12:45:19 +0800</pubDate><description><![CDATA[新的显卡的电源线是一转2的，因为昨天我安装的时候，没有找到第三根电源线，然后我还以为那个一转二，就和一转二的数据线一样，只需要插入一个。但是这样面临新的问题，现在的precision7920(大概是这个型号 瞎打的) 一共只能安装3个显卡，只有3个电源线。然后服务器原本是有一个显卡的，是之前安装显卡的工程师已经帮忙安装进了服务器的，这个显卡的转接电源线是一头的。（可以先试一下第二块新的显卡 用1转1的电源线 能否被识别，也就是电源啊供得上）所以以后如果要安装新的显卡，得记得买两个1转1的显卡的电源转接线。]]></description><category></category></item><item><title><![CDATA[【python/plt】散点图scatter 参数散点图绘制]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/130002398</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/130002398</guid><author>qq_45721997</author><pubDate>Fri, 07 Apr 2023 00:42:27 +0800</pubDate><description><![CDATA[观察最后一列数据，这里指的是一共4列，每一列第一个数据是深蓝色（？），第二个数据是浅灰，第三个数据是红色，第四个数据，也就是c[3]和第一个数据c[0]一样，都是用数字1代表，所以也是深蓝色。前面的0,1,2,3表示y第0列到第3列的数据。观察第一列，其实坐标（0,1）出现了三次，三个圈圈颜色不一样都在坐标（0,1）的位置，但是现在被最后出现的红色覆盖了。这里的s=args.s1代表散点中散点的大小，我这里设置为100，这可能是和画布大小有关。当c为浮点数的时候，就会按照浮点数的大小显示cmap的颜色了。]]></description><category></category></item><item><title><![CDATA[Git 和Bitbucket|Git和Github]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127756987</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127756987</guid><author>qq_45721997</author><pubDate>Tue, 08 Nov 2022 20:06:52 +0800</pubDate><description><![CDATA[git push --set-upstream origin master  这一行是push到Bitbucket的仓库。将所有更改的文件提交，要注意不能直接在最初的初始文件中(就是我们小黑框GIT中绿色master的那一行  地址)提交。git commit -m “输入提示信息”  表示 将暂存区的内容输入到本地仓库（不是很理解其实hh）2.2 我们新建一个空的文件夹，然后选择用Git Bash打开。第一行是输入的代码 接下来的都是提示信息。复制之后直接粘贴在Git中。1.创建一个新的仓库。]]></description><category></category></item><item><title><![CDATA[【论文阅读】Category-aware Collaborative Sequential Recommendation]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127536013</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127536013</guid><author>qq_45721997</author><pubDate>Wed, 26 Oct 2022 23:06:33 +0800</pubDate><description><![CDATA[以前看过的 顺手做个笔记然而，大多数现有的解决方案都将用户的操作历史视为一个长序列。这种简化通常忽略了动作序列中的细粒度依赖结构。考虑图1所示的示例。对于用户Lily来说，从衣服到鞋子的重复转换表明她的下一个动作很可能与鞋子有关，而她之前浏览的鞋子系列表明她对运动鞋的总体偏好。但她最近浏览的商务套装表明，她目前的意图是穿正装。因此，系统不再适合按照她的一般喜好来推荐运动鞋;相反，推荐正式的鞋子成为更好的选择。这样的观察告诉我们，再次考虑图1中的示例。]]></description><category></category></item><item><title><![CDATA[【论文阅读】先验规则-Controlling Neural Networks with Rule Representations]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127505545</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127505545</guid><author>qq_45721997</author><pubDate>Tue, 25 Oct 2022 11:12:30 +0800</pubDate><description><![CDATA[提出一个模型：DEEPCTRL下图是模型算法的描述我们建议通过引入数据编码器ϕ和规则编码器ϕ这两个通道来改进规范化训练方法。这样，我们的目标是，对应于从标记数据和规则中。然后，将这两个表示，得到一个。我们使用的是小批量训练，就是有D的存在。为了调整数据与规则编码的相对贡献，我们使用，它也将(zd, zr)与相应的目标(Ltask, Lrule)耦合(算法1中的第4和第5行)。。]]></description><category></category></item><item><title><![CDATA[【论文阅读】A statistical analysis based recommender model for heart disease patients]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127504311</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127504311</guid><author>qq_45721997</author><pubDate>Mon, 24 Oct 2022 23:37:32 +0800</pubDate><description><![CDATA[在这种技术中，计算信息增益，即给定类的每个特征的熵。数据划分为训练集和测试集->数据预处理->选择重要的特征->用一些基础的分类器进行分类->预测结果。我们主要是对心脏病进行一个疾病预测（四选一），然后进行建议的匹配，这个建议来源于专家建立的知识库。F代表critical属性集合（f1:氧饱和度，f2:血压，f3:胆固醇，f4:血糖)第一阶段实现一种属性计算器技术，该技术针对输出类计算数据集的特征。使用了阈值对信息增益进行了一个下线的划分，以得到最重要的属性。这里主要是把建议也给分类了，分成了5类。]]></description><category></category></item><item><title><![CDATA[【论文阅读】Dual-level diagnostic feature learning with recurrent neural networks for treatment sequence r]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127499558</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127499558</guid><author>qq_45721997</author><pubDate>Mon, 24 Oct 2022 20:51:43 +0800</pubDate><description><![CDATA[接着我们使用element attention 来学习 治疗项目和对应的CTRs的优先级（不同的治疗项目和结果会对后续产生影响，我们给他们分配一个权重，然后把治疗项目和对应的CTRs的嵌入进行一个结合，得到一个新的embedding，（或者是先contact成新的embedding，然后使用attention学习weight）（计算损失的时候计算的是 用户本来的治疗顺序集 以及 推荐的治疗顺序集）我们对治疗方案和治疗方案结果分别使用CBOW，进行一个密集的嵌入表示（主要原因：原本的数据维度又多，又稀疏）]]></description><category></category></item><item><title><![CDATA[【latex】latex排版/overleaf在线/画图那些事]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127188834</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127188834</guid><author>qq_45721997</author><pubDate>Thu, 06 Oct 2022 22:31:50 +0800</pubDate><description><![CDATA[by the waylatex事情是真的多排版永远都不在我希望它呆着的位置希望广大程序员努努力做出一个傻瓜式操作。]]></description><category></category></item><item><title><![CDATA[plt画图那些事（配色+上下标）]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127083912</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127083912</guid><author>qq_45721997</author><pubDate>Wed, 28 Sep 2022 10:03:28 +0800</pubDate><description><![CDATA[提供几个链接emm系列色——十六进制颜色码：系列色——RGB颜色值：]]></description><category></category></item><item><title><![CDATA[【】评价指标 mrr accuracy recall]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/127062585</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/127062585</guid><author>qq_45721997</author><pubDate>Mon, 26 Sep 2022 22:59:12 +0800</pubDate><description><![CDATA[来自。]]></description><category></category></item><item><title><![CDATA[【python plt】解决画布和绘图区的问题]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/126999872</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/126999872</guid><author>qq_45721997</author><pubDate>Thu, 22 Sep 2022 21:12:36 +0800</pubDate><description><![CDATA[主要注意一个 bbox_inches=‘tight’ 这个代码会让你的绘图框周围的空白被自动裁剪到合适的位置，所以其实会改变前面的画布设置。第一行是调整画布大小，7和5的单位是inch，也就是说你产生的图片实际上的大小像素是 宽：7 * 450，高：5 * 450。这一行是 调整绘图框相对于画布的距离的，注意这边会对绘图框进行压缩，然后float取值在0到1内。然后现在的问题是实际上的绘图框还是会收到画布的限制，就是还是会动。我希望是改变画布，但是绘图框大小不改变的。这个问题今天没有解决。]]></description><category></category></item><item><title><![CDATA[optuna笔记]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/125365232</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/125365232</guid><author>qq_45721997</author><pubDate>Fri, 16 Sep 2022 23:18:48 +0800</pubDate><description><![CDATA[optuna.samplers.TPESampler 实现的 Tree-structured Parzen Estimator 算法。optuna.samplers.CmaEsSampler 实现的 CMA-ES 算法。optuna.samplers.RandomSampler 实现的随机搜索。optuna.samplers.GridSampler 实现的网格搜索。]]></description><category></category></item><item><title><![CDATA[【python】pyi文件]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/126783340</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/126783340</guid><author>qq_45721997</author><pubDate>Fri, 09 Sep 2022 15:14:15 +0800</pubDate><description><![CDATA[pyi文件是一个Python skeleton，具有适当的结构、调用签名和返回值，以匹配模块中定义的函数、属性、类和方法。pyi文件中允许使用"…"代替任何实现细节。它是仅包含类型信息的文件，没有运行时代码。rnorm是通过那个只有申明类型的pyi文件得到的？就是只有类型的声明  我不知道具体是怎么实现的。存根文件仅包含模块公共接口的描述，没有任何实现。pyi文件是存根文件(stub file)我想查看细节但是不知道怎么看。怎么生成pyi文件的教程在。pyi文件具体的作用在。]]></description><category></category></item><item><title><![CDATA[【推荐系统】顶会文章]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/126453701</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/126453701</guid><author>qq_45721997</author><pubDate>Sun, 21 Aug 2022 19:15:52 +0800</pubDate><description><![CDATA[最近略读的几篇推荐系统的文章，稍微整理一下相关的内容、方法和模型，便于学习补充，之后有需要会在这个基础上补充整理。]]></description><category></category></item><item><title><![CDATA[【python】locals使用]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/125983319</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/125983319</guid><author>qq_45721997</author><pubDate>Mon, 25 Jul 2022 20:57:46 +0800</pubDate><description><![CDATA[简单记录一下K是变量locals()[‘recallM3K{}’.format(K)]=recall_df。]]></description><category></category></item><item><title><![CDATA[【python】关于matplotlib.pyplot的一些使用]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/125946451</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/125946451</guid><author>qq_45721997</author><pubDate>Sat, 23 Jul 2022 13:02:58 +0800</pubDate><description><![CDATA[图例的设置font1={‘family’‘TimesNewRoman’,‘weight’‘normal’,‘size’15,}plt.legend(prop=font1)坐标轴字体的设置frommatplotlib.font_managerimport*myfont=FontProperties(fname=‘C\Windows\Fonts\STSONG.TTF’)matplotlib.rcParams[‘axes.unicode_minus’]=Falseplt.yt。......]]></description><category></category></item><item><title><![CDATA[【论文阅读】【HLLDA】 A Hierarchical Model of Web Summaries]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/125335247</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/125335247</guid><author>qq_45721997</author><pubDate>Sat, 18 Jun 2022 02:56:17 +0800</pubDate><description><![CDATA[我们认为文档层次结构H(例如DMOZ层次结构)是一棵树，其中内部节点(类别节点)和叶子节点(文档)，以及连接它们的边是先验已知的。
关于DMOZ，网上搜到的一个dmoz网站进行了截图，不知道是不是这个意思。
H中的每个节点Ni被映射到一个多项词分布MultNi，而到 叶节点D（文档）的每个路径cd 与 出现在这条路径上的多项混合物(MultC0 . . . MultCk, MultD) 相关。（好长一句话
【原文（部分）】Each node Ni in H is mapped to a multi-nomi]]></description><category></category></item><item><title><![CDATA[【LDA】吉布斯采样]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/125279608</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/125279608</guid><author>qq_45721997</author><pubDate>Thu, 16 Jun 2022 03:19:30 +0800</pubDate><description><![CDATA[吉布斯采样是用条件概率得到联合概率分布。
其实是得到我们想要东西的近似解
蒙特卡洛方法是为了解决一些不太好求解的求和或者积分问题。

其实就是一个近似方法，通过采样的多个样本代替原本的连续函数，帮助我们把这个式子解出来。
对于一些常见的概率分布p（x），如正态分布等，我们先通过一些公式将其转换为0-1之间的数，（均一化处理嘛，）然后进行采样。
对于不太常见的概率分布f(x)，我们用一个常见的概率分布（如高斯分布）q(x)把他蒙上，就是让 f(x)...]]></description><category></category></item><item><title><![CDATA[【LDA】基础知识笔记——主要是AE、VAE]]></title><link>https://blog.youkuaiyun.com/qq_45721997/article/details/125156589</link><guid>https://blog.youkuaiyun.com/qq_45721997/article/details/125156589</guid><author>qq_45721997</author><pubDate>Mon, 06 Jun 2022 23:29:26 +0800</pubDate><description><![CDATA[似然函数]]></description><category></category></item></channel></rss>