且视他人之疑目如盏盏鬼火,大胆地去走你的夜路

一个月前刚出的论文，占领第一片土地！基于动态图卷积神经的序列化推荐系统摘要从用户的历史序列中建模用户偏好是顺序推荐的核心问题之一。这些领域的现有方法从传统方法到深度学习方法分布广泛。然而，它们大多只在自己的序列中建模用户兴趣，而忽略了不同用户序列之间动态协作信号的细粒度利用，不足以探索用户偏好。我们从动态图神经网络中获得灵感来应对这一挑战，将用户序列建模和用户之间的动态交互信息统一到一个框架中。提出了一种新的动态图神经网络顺序推荐方法(DGSR)，该方法通过动态图结构连接不同用户的顺序，探索具有时.

好久没看论文了，感觉好生疏关于这篇文章的大致脉络，这篇文章已经介绍过了。

山大在2017年发表的短序列化推荐论文，因为之前的工作只考虑了用户的序列表现，但是对用户的主要目的并没有明显地强调，所以提出Neural Attentive Recommendation Machine（NARM）我只研究它模型相关的东西，介绍和相关工作就不细看了模型...

Context-Aware Attentive Knowledge Tracing 2020《情境感知的注意力知识追踪》，注意力知识追踪，情感感知。通过建立问题和回答的上下文感知（情感感知）表示，使用单调的注意机制来总结过去的学习者在正确的时间尺度上的表现。注意力机制：根据权重的不同，将有限的资源用来处理更重要的数据。本文通过指数衰减（exponential decay）还有情感感知的相对距离的度量（context-aware relative distance measure）来计算注意力的权重。

boss又让我看这块的内容了，刚开学，还不太适应实验室的学习生活，假期闲散惯了操。1、概述知识追踪（knowledge tracing）是根据学生过去的答题情况对学生的知识掌握情况进行建模，以便我们能精确预测学生对于知识点的掌握程度，以及学生在下一次的表现。而且精确的知识追踪能让我们抓住学生当前的需求，并进行精准推题，即难易适宜。早期的知识追踪模型都是依赖于一阶马尔科夫模型，例如贝叶斯知识追踪（Bayesian Knowledge Tracing，BKT）。在本文中引入灵活的循环神经网络（RNN）.

期末考完了，该上道了目录一、图的概述1.基本概念2.图的存储和遍历3.应用分类二、神经网络基础1.机器学习2.神经网络三、卷积神经网络（CNN）1.卷积与池化2.卷积神经网络四、表示学习1.意义2.自编码器五、图信号处理与图卷积神经网络1.矩阵计算前置知识2.图信号与图的拉普拉斯矩阵3.图傅里叶变换4.图滤波器（Graph Filter）5.图卷积神经网络（GCN）一、图的概述1.基本概念1.顶点（Vertex）表示研究的对象，边（Edge）表示两个对象之间特定的研究关系2.图为顶点和边的集合.

一、摘要本文题为《基于转折点和概率推理的智能股票交易系统》，介绍了一种新的方法：从股票时间序列的高级表示（high-level representation） 来学习买入卖出的决策。本文的两个最大优点就是：①提出的高级表示（转折点和技术指标）对噪音不敏感、对人类直观；②将高级指标和概率模型相结合，降低了混沌系统二点随机性、不确定性二、介绍1.噪声的原因股票交易受决定因素和随机因素的影响而复杂而动态。其中决定因素是买卖方的实力的变化，随机因素就是比如紧急情况或者日常操作的变化。其中的随机因素就被视作

主要是在学习Michael Nielsen的《神经网络与深度学习》时整理的一些零散知识点以及自己的理解神经网络与手写识别1.感知器感知器就是人工神经元模型，现在主要是用一种叫S型神经元。然后引入了权重和阈值权重用来表示输入对输出的重要性阈值用来和分配权重后的总和Σ w*x相比较来决定输出0还是1...