Learning from the mistakes

感想这篇文章主要讲的是提取视觉信息特征，给图片推荐标签；利用了卷积神经网络提取图片的特征，利用最后一个全连接层合并用户和图片交互信息，得到最终的标签排序。还是挺新颖的，毕竟把推荐问题融合到一个网络，输出的直接是标签的排序，充分利用了深度学习的强大的特征表达能力。1 介绍用户随意指定标签，用于支持用户组织或查找社交媒体的内容。可是，许多分享的内容有很少或者没有标签的，这是由于

感想这篇文章我看了一下作者是北航和微软亚洲研究院合起来做的一篇文章，我感觉最深的是它的那个image-text network embedding的思想，用采样的方法来降低训练的复杂度。这也是一个深度学习注意力模型，更开心的是，论文里面说代码是用keras来写的，论文接收之后会公开源码，还是蛮期待的。文章说的链接关系困扰了我好久，到结尾才说原来是tags之间的关联关系，前面吹得这么高大上，我还真以

感想这篇论文是一篇17年AAAI发表的文章，文章的作者周志华教授，国内的机器学习大牛。花了点时间读完了这篇文章，然后代码我也找到了，代码的地址为：https://github.com/kingfengji/DeepMIML,代码是用keras写的，非常容易上手，由于官方只给了一个运行的demo，没有告诉我们怎么用自己的数据集跑，还是蛮遗憾的，不知道用自己的数据集跑模型效果会怎么样。论文本身提出

感想这篇论文是18年的最新发表的论文，我看它的一个原因，是因为它很新，同时利用了新浪微博的微文，并且利用了微博和图片的信息来进行推荐，不过有点遗憾的是，它们采取的方法是传统的方法，比较的算法也是传统的NB,SVM等算法，没有用到深度学习，不知道作者有没有意向把数据集贡献一下，好让大家也做相关的研究，不过工作量还是有的，还是值得肯定的。1 介绍随着社交媒体的迅速增长，大约72%的成人

感想这篇综述有点长，整整三十五页，我也花了很长时间读完，那么我现在也会不遗余力的写完，let's continue4.4 基于循环神经网络的推荐系统RNN特别适合处理推荐系统中的时序评分和序列化特征。4.4.1 仅仅依赖于RNN的推荐Session-based Recommendation with RNN在许多真实世界应用和网站中，系统通常不会干扰用户的登录，以至于推

感想篇幅有限，这是接着上面的续篇，let's continue4.2 基于Autoencoder的推荐系统现存的两种把autoencoder运用到推荐系统上的方法为：（1）使用autoencoder在bottleneck层学习低维特征表达；（2）直接在重构层填充评分矩阵的空白。4.2.1 仅仅依赖于Autoencoder的推荐AutoRecAutoRec把用户部

感想最近看了一篇基于深度学习的推荐系统的综述，这个综述还是蛮新的，论文上显示的时间是2017年8月3号，讲得挺全的，读完后，我对深度学习应用推荐系统有了一个比较深的认识，我这里分享出来，希望也能够帮助大家的研究和学习，当然，本人水平有限，如果有错误，可以指正，我们共同进步哈。1 介绍互联网信息的爆炸性增长使用户迷失，推荐系统（Recommender system，RS）是一

感想这是我发现的利用深度迁移学习做标签推荐的，不过百度是搜不到这篇论文的，这应该是一篇B类论文，利用了YOLOv2提取图片对象特征，利用VGG提取图片分类特征，这样用FM和PITF来整合这些特征，作为最终的输出。取得的效果还蛮不错，不过我个人感觉这几个网络不是在一起训练的，这可以作为一个研究的点继续做下去。1 介绍每天都有大量的数字资源被世界各地的用户存储、共享和访问。为了辅助

感想这篇文章用的是nice数据集，不知道作者会不会把数据集贡献出来，利用了用户的历史打标签数据，和图片分类alexnet网络来对图片特征进行提取。总体上我觉得工作量还是有的，唯一的期待是希望作者能把源代码和数据集贡献出来，让更多的人参与到研究来。1 介绍随着社交网络的出现和移动设备的广泛传播，上传到在线社交网络的图片激增。上图显示的是nice上的一些照片po

感想这篇文章是一篇2017年的综述，考虑的方面还是挺全的，几乎把标签推荐的所有技术都讲了一遍，但是它没有进行细化，但是适合写开题报告了，不适合找一个点来做研究，因为它里面说的公开挑战，还是蛮宽泛的。不过相信读了之后，对这个方向有着很全面的了解了。下面是我的一些笔记，翻译的不好，欢迎批评指正。 介绍在Web2.0应用中，标签被认为是和目标（例如视频和文本）相关元数据最佳的方式。用户自...

感想因为综述文章太长了，我这里分成了两部分，紧接着介绍。 公开的挑战我们把这些挑战分为（a）标签语义问题，（b）稀疏性，（3）垃圾邮件（spamming），（d）评估问题。  同义词，一词多义和其它语义挑战 打标签是一个不完美，自然和进化的，在文字和他们的参考之间建立语义联系的过程。Folksonomy的词奔雷就有模糊性，因为不同的用户用不同的方式给目标打上标签...

感想这篇论文我觉得是讲得非常详细的一篇，从头到尾的实现细节都说了一遍，不知道作者肯不肯给数据集和源码，如果这样的话就更好了，它的精度只达到了0.3，可见提升的空间还是蛮大的，最大的特点是利用了文本和图片的信息，加入attention机制，这样文本有图片，图片有文本的信息，思路从某个程度上还是很新的。关键是效果更好了。1 介绍近几年，微博已经成为最流行了信息产生和扩散，以及各

感想这篇论文，我断断续续的看了几天，作者做的工作也挺多的，我感觉论文的数据集还是不够大，还不足以支撑训练其它深度神经网络的地步。本文提出的混合深度学习完全是autoencoder的一个变体，用来解决标签数据稀疏性，不可控词汇表等问题，由于添加了重构误差函数，和一般深度学习的稍稍损失函数不一样，训练时间消耗大大减少，最后，还采用了负采样的技术，每一次训练的时间大大提高。总体上，和深度学习不是那么

感想这是一片IJCAI 2018的论文，一开始看到这个东西的时候，我感觉还是比较新的，把社交网络的hashtag和tweet的网络结构融入到embedding中，做了一个network embedding和content结合的东西。这应该是我2018年看得比较好的hashtag方面的论文了。希望后面有跟多关于这方面的论文，因为本人也是研究社交网络里面的hashtag的。目前还没有找到开源的源代...