周报(2017.3.19-3.16)

最新推荐文章于 2025-08-11 16:25:07 发布

转载最新推荐文章于 2025-08-11 16:25:07 发布 · 60 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/baiting/p/6623223.html

文章标签：

#人工智能 #数据结构与算法

本文总结了五篇关于推荐系统和注意力机制的文章，并探讨了如何利用深度学习框架结合协同过滤模型与基于内容的推荐模型，同时介绍了注意力机制在推荐系统、图像描述生成等领域的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上周周报：

FINISH-LIST: (1) 完成JCST 第二次修改； (2) 完成CSC材料准备.
ON-GOING-LIST：（1）阅读4篇论文，重点了解 attention mechanism，思考应用到现有工作中，下周给出总结；（2）推进TOIS期刊的实验，做完分析实验部分.
TODO-LIST: 完成期刊的模型拓展部分，撰写论文.

本周周报

FINISH-LIST：

一、阅读文章：

1. Collaborative Topic Modeling for Recommending Scientific Articles

2.Collaborative Deep Learning for Recommender Systems

3.Review Networks for Caption Generation

4. Neural Generative Question Answering

5.Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning

阅读总结：

（1）文章【1】【2】是关于改进推荐算法MF的，推荐算法分为两类，协同过滤模型和基于内容的推荐模型。 MF是协同过滤模型,其缺点之一就是只考虑了rating的关系，没有将商品用户内容考虑进去。

【1】2011年kdd将商品内容 item用topic model刻画，引入概率MF中；【2】kdd2015用相似的模型框架，将 item用深度学习encoder-decoder框架学习，引入到概率MF中进行刻画。其共同思想在于MF中user和item的隐含向量同时由rating的矩阵和学到的item的特征表示共同决定。

学习这两篇论文的意义在于，我将探索如何用深度学习框架将两类推荐模型结合，其一就是改进MF的框架（ijcai工作），其二就是如【2】中，提供了的思路，将item文本表示引入传统MF框架中，缺点在于，只用encoder-decoder 刻画商品item的文本，因为很自然的一个思路，也可以用encoder-decoder 根据user购买历史，刻画用户的向量，共同加入训练。

（2）文章【3】【4】【5】是关于attention mechanism 应用于各个方面，attention mechanism是一个非常自然的想法，【5】中给出了如何attention加入RNN模型的基本方法，【4】中额外引入knowledge base 的模型可以作为以后混合模型方式之一【3】用review network改进attention model在encoder-decoder 框架中的应用，提出普通attention机制存在的缺点：未考虑全局的attention，未刻画每一步attention之后的generator 效果。该文章解决了这两个问题。

ON-GOING-LIST：

（3.27-4.3）

(1) Early reviewer JD数据集的分析实验及原模型跑出结果

（3）读三篇文章，下周给出总结

（2）深度学习模型跑出结果

TODO-LIST：四月底完成TOIS.

转载于:https://www.cnblogs.com/baiting/p/6623223.html