weixin_40459958的博客

摘要 提出了一种多模态的深度表示学习结构，通过结合蛋白质的物理化学特征和蛋白质-蛋白质相互作用(PPI)网络中的图拓扑特征 不仅考虑到蛋白质序列信息，而且可以识别PPI网络中每个蛋白质节点的拓扑表示 背景 传统的机器学习技术缺乏发现隐藏关联和从输入的复杂数据中提取判别特征的能力。 从这些蛋白质网络的图拓扑中发掘多样的生物模式是理解细胞及其结构蛋白质的功能的基础。当将深度学习技术应用于生物网络分析时，这些模式包括拓扑相似性，如一阶相似性、二阶相似性和从蛋白质序列中提取的同源性特征。 本文保留不同的模式来获取蛋

摘要 协同过滤等基于评级的推荐方法仍存在数据稀疏性问题，于是可以考虑融合评级和文本评论来学习更好的表示 1.引言 文本评论中包含了用户对项目的丰富信息[1,2,7-10] 但这样也存在评论文本本身比较含糊，冗余噪声 不过评级和评论本身可以互补，评论可以衡量一个评级的有效性 本文采用MLP显式学习评级的深度特征，通过CNN提取评论语义特征再聚合起来，最后通过**[5]提出的LFM**来结合评级和评论得到预测 ...

摘要 从深度神经网络的损失函数方面获取法律交易和欺诈交易的深度特征表示 获得更好的特征可分性和可辨别性，从而提高欺诈检测模型的性能，保持其稳定性。 提出了一种新的损失函数，全中心损失(FCL)，它同时考虑了特征之间的距离和角度，从而可以全面监督深度表征学习 1.引言 用机器学习处理信用卡欺诈检测比传统的图像二分类多了两个麻烦： 数据集的类不平衡和用户和欺诈者[2]，[8]行为的动态变化。 一方面，可用的欺诈交易记录数量非常少，严重影响了监督分类的性能[9]。当前也有解决思路，如基于采样的方法[9,10,17