- 博客(54)
- 收藏
- 关注
RSS订阅原创 Mixed Attention Network for Cross-domain Sequential Recommendation
提出了一种名为 MAN 的全新解决方案，它包含局部和全局模块，融合了三种注意力网络，并在群组层面进行信息传递。首先是局部 / 全局编码层，它从特定领域和跨领域的视角捕捉序列模式。其次，我们进一步提出了物品相似性注意力机制，用于捕捉局部 / 全局物品嵌入与目标物品嵌入之间的相似性；序列融合注意力机制，用于融合全局编码器和局部编码器的序列模式；以及组原型注意力机制，通过多个组原型在不依赖用户 ID 的情况下隐式共享用户的序列行为。最后，我们提出了局部 / 全局预测层，以拓展特定领域和跨领域的用户兴趣。
2025-03-20 16:55:38
934
原创 Parallel Split-Join Networks for Shared Account Cross-domain Sequential Recommendations
研究背景是多个用户共享同一个账户（即他们拥有共享账户），并且用户行为数据来自多个领域（即推荐是跨领域的）。这两个特点给传统序列推荐任务带来了新的挑战。第一，我们需要识别同一账户下不同用户和不同用户角色的行为，以便在正确的时间向正确的用户角色推荐合适的物品。第二，我们需要识别某个领域中的行为，这些行为可能有助于提升其他领域的推荐效果。
2025-03-19 15:17:04
972
原创 DA-GCN:A Domain-aware Attentive Graph Convolution Network for Shared-account Cross-domain Sequential
DA-GCN 试图学习一种基于图的推荐框架，该框架可以通过递归地聚合来自不同领域的局部图邻居的特征，对多种关联和具有结构感知的领域知识进行建模，从而更好地捕捉共享账户中多样化的用户偏好。具体来说，为了对用户和物品之间复杂的关联进行建模，首先构建一个跨域序列（CDS）图。该图考虑了四种类型的关联：a）领域 A 中的用户 - 物品交互；b）领域 B 中的用户 - 物品交互；c）领域 A 中物品之间的顺序转换；d）领域 B 中物品之间的顺序转换。
2025-03-14 23:35:37
647
原创 π -Net: A Parallel Information-sharing Network for Shared-account Cross-domain Sequential Recommenda
我们将来自共享账户的跨域行为序列（例如，观看视频、听音乐）表示为其中是领域A中一个已消费物品的索引；A是领域A中所有物品的集合；是领域B中一个已消费物品的索引；B是领域B中所有物品的集合。给定S，共享账户跨域序列推荐（SCSR）通过分别计算两个领域中所有候选物品的推荐概率来预测下一个物品：其中，表示推荐物品（该物品将在领域A中被下一个消费）的概率。此外，是用于估计的模型或函数。和的定义与之类似。共享账户跨域序列推荐（SCSR）与传统序列推荐（SR）主要有两点不同。
2025-03-13 16:04:09
767
原创 RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation
单域场景下基于隐式反馈的序列推荐问题。设和分别表示用户集和物品集，其中和是用户和物品的总数。对于每个用户，其与物品的交互按时间顺序表示为，其中是行为序列的长度。正式地说，给定一个用户，序列推荐旨在根据其过去的行为序列，预测该用户在下一步最有可能交互的下一个物品，这可以形式化为对所有物品的概率建模：在跨域场景中，为了提高推荐性能，还会考虑来自其他域的用户信息。具体来说，对于两个域A和B，给定一个在两个域中都出现的重叠用户。
2025-03-12 19:13:36
847
原创 Graph Contextualized Self-Attention Network for Session-based Recommendation
基于会话的推荐旨在仅依据用户当前的交互序列，预测用户接下来想要点击的物品。在本文中，我们提出了一种基于图神经网络的图上下文自注意力网络（GC-SAN），用于基于会话的推荐。具体而言，我们首先从匿名会话记录中构建有向图，然后应用图神经网络为所有物品生成新的潜在向量，这些向量包含了序列的局部上下文信息。接下来，我们使用自注意力网络捕捉远距离位置之间的全局依赖关系。最后，我们将局部短期动态（即最后点击的物品）和全局自注意力依赖关系以线性方式结合起来，以表示会话序列。
2025-03-10 15:16:52
987
原创 Time Interval Aware Self-Attention for Sequential Recommendation
推荐系统有两个重要的研究方向，时间推荐和序列推荐。然而，直观来看，时间戳更近的物品对下一个物品的影响会更大。例如，两个用户有相同的交互序列，但其中一个用户在一天内产生了这些交互，而另一个用户在一个月内完成了这些交互。因此，即使这两个用户的交互在序列中的位置相同，它们对下一个物品的影响也应该是不同的。然而，以前的序列推荐技术将这两种情况视为相同，因为它们只考虑了序列位置。
2025-03-05 22:43:48
704
原创 CoNet: Collaborative Cross Networks for Cross-Domain Recommendation
背景和挑战利用神经网络研究跨域推荐的知识迁移学习的相关工作很少。本文探索如何将神经网络作为每个域的基础模型，并实现跨域的整个网络上的知识迁移。1）对于每个域，在这些单独的网络之间要迁移 / 共享什么？2）在每个域的这些单独网络的学习过程中，如何进行迁移 / 共享？3）与单域神经学习和浅层跨域模型相比，性能如何？通常的迁移学习方法是先训练一个基础网络，然后将其前几层复制到目标网络的相应前几层，并进行微调或冻结参数。存在两个弱点。首先，，因为我们发现它在真实的跨域数据集上效果不佳。其次，
2025-03-03 22:32:39
1037
原创 Cross-domain Self-attentive Sequential Recommendations
嵌入层嵌入层首先构建一个可学习的物品嵌入矩阵（针对源域物品），，其中d是潜在嵌入维度，l表示源域物品的总数。每个用户u的输入由m个物品组成的序列，可以使用嵌入矩阵来表示。为了让自注意力层能够追踪序列中物品的时间顺序，将一个位置嵌入层加上source domain的序列。自注意力层其中Q、K、V分别代表每个物品的查询、键和值的表示。查询和键表示之间的内积要除以进行缩放，以避免因高维度而可能产生的较大数值。更具体地说，在SASRec模型中，一个物品的查询、键和值的表示是通过将嵌入矩阵。
2025-03-02 15:22:54
643
原创 基于向量的召回
fm算法中评分数据表示如图所示，1表示是该user/item，然后对应rating。例如第一行，user1购买了item2，rating是3.分解机算法不是直接分解一个评分矩阵，而是先将评分矩阵中的每一个交互记录转换为一个行向量，将这些行向量纵向拼接成一个新的矩阵再进行因式分解。
2025-02-17 23:10:30
181
原创 基于协调过滤的召回
基于协同过滤的召回算法主要是应用在推荐环节的早期阶段，大致可以分为基于用户、基于物品的。两者各有优劣，优点是具有较好的可解释性，缺点是对于稀疏的交互矩阵，效果较差。无法挖掘用户和物品的深层关联。Swing算法虽然挖掘了用户和物品的关联网络，但是仍然是浅层的分析。基于矩阵分解SVD的算法一定程度解决了这个问题，通过将整个矩阵分解为用户和物品各自的向量，不仅解决了挖掘深度的问题，还可以融入属性信息。
2025-02-13 22:52:24
105
原创 openai库搭建AI Agent
结构化的思想很普遍，结构化内容也很普遍，我们日常写作的文章，看到的书籍都在使用标题、子标题、段落、句子等语法结构。结构化 Prompt 的思想通俗点来说就是像写文章一样写 Prompt。
2025-02-11 16:35:48
786
原创 推荐系统概述
定义：在大数据和人工智能时代，智能推荐系统和技术已经成为电商、 资讯、娱乐、教育、旅游和招聘等众多在线服务平台的核心技术、标准配置和重要引擎，用于帮助用户从海量物品中快速地找到他们感兴趣的物品（例如商品、新闻、视频、课程、景点和岗位等），特别是用户不容易发现的长尾物品（tail items），有效地缓解了信息过载（information overload）问题。
2025-02-10 23:45:19
203
原创 基于自注意力网络的SASRec
序列动态推荐希望可以关注“上下文”信息。目前出现了马尔科夫链（MC）和循环神经网络（RNN）两种方法。马尔科夫链假设用户的下一个动作可以根据最后几个动作来预测，而RNN原则上允许发现更长期的语义。MC适合要求模型简约的极其稀疏的数据集。而RNN适合模型复杂且密集的数据集。
2024-12-11 21:50:48
1156
2
原创 基于卷积神经网络的Caser算法
The order of interaction implies that sequential patterns play an important role where more recent items in a sequence have a larger impact on the next item.交互序列发挥重要作用，其中序列中较新的项目对下一个项目有更大影响。
2024-12-10 23:18:33
1210
原创 力扣-动态规划
假设你正在爬楼梯。需要n阶你才能到达楼顶。每次你可以爬1或2个台阶。你有多少种不同的方法可以爬到楼顶呢？n = 22有两种方法可以爬到楼顶。1. 1 阶 + 1 阶2. 2 阶n = 33有三种方法可以爬到楼顶。1. 1 阶 + 1 阶 + 1 阶2. 1 阶 + 2 阶3. 2 阶 + 1 阶题解爬楼梯，找到传递函数。
2024-07-13 01:56:53
864
原创 力扣-bfs
何为广度优先搜索？广度优先搜索，即bfs。不同于dfs（走到底然后再换另外一条路），bfs更像是一层一层的走。常常用来处理最短路径问题。
2024-07-12 18:12:33
624
原创 力扣-回溯法
对于回溯法，首先找到边界条件以及结束的条件。一般为设置的i等于行数。边界条件一般为不要越界。一般还需要设置标记函数。然后一行一行进行访问或者一个位置一个位置的访问，访问过的标记函数置为true。接着继续下一个或者下一行（一般是递归）。然后结束后还原上面的标记函数以及board（一般会设置一个作为答案）。符合的就push_back到ans数组中去。
2024-07-12 00:09:49
1044
原创 力扣-二分查找
34. 在排序数组中查找元素的第一个和最后一个位置题目给你一个按照非递减顺序排列的整数数组nums，和一个目标值target。请你找出给定目标值在数组中的开始位置和结束位置。如果数组中不存在目标值target，返回[-1, -1]。你必须设计并实现时间复杂度为O(log n)的算法解决此问题。示例 1：[3,4]示例 2：[-1,-1]示例 3：[-1,-1]nums是一个非递减数组题解在一个递增的数组中找target，找到数组中的第一个位置和第二个位置。在这里可以使用二分查找的方法。
2024-07-09 15:12:24
1144
原创 力扣-贪心算法4
题目假设有打乱顺序的一群人站成一个队列，数组people表示队列中一些人的属性（不一定按顺序）。每个表示第i个人的身高为hi，前面有ki个身高大于或等于hi的人。请你重新构造并返回输入数组people所表示的队列。返回的队列应该格式化为数组queue，其中是队列中第j个人的属性（queue[0]是排在队列前面的人）。编号为 0 的人身高为 5 ，没有身高更高或者相同的人排在他前面。编号为 1 的人身高为 7 ，没有身高更高或者相同的人排在他前面。
2024-07-05 16:42:10
935
1
原创 力扣-贪心算法3
题目给你一个字符串s。我们要把这个字符串划分为尽可能多的片段，同一字母最多出现在一个片段中。注意，划分结果需要满足：将所有划分结果按顺序连接，得到的字符串仍然是s。返回一个表示每个字符串片段的长度的列表。[9,7,8]划分结果为 "ababcbaca"、"defegde"、"hijhklij"。每个字母最多出现在一个片段中。像 "ababcbacadefegde", "hijhklij" 这样的划分是错误的，因为划分的片段数较少。[10]题解又是一道贪心算法的典型题目，思路如下。
2024-07-03 17:53:57
826
原创 力扣-贪心算法2
你需要移除两个 [1,2] 来使剩下的区间没有重叠。你不需要移除任何区间，因为它们已经是无重叠的了。需要移除区间的最小数量，使剩余区间互不重叠。移除 [1,3] 后，剩下的区间没有重叠。
2024-06-20 22:06:49
231
原创 力扣-贪心算法
就是通过局部最优来得到全局最优，好比AB一起吃自助餐，最优的就是A吃到最大量，B也吃到最大量，都是局部最优，进而得到全局最优。且二者的局部最优互不影响。
2024-06-19 22:40:29
930
1
原创 10345 前缀平均值
数列的前缀平均值(prefix average)问题：给定存储n个double型浮点数的数组X，要计算数组A，其中A[i]为元素X[0],…, X[i]的平均值(i=0,…,n-1)(1<=n<=1000000)，即前缀平均值在经济学和统计学中广泛应用。例如，给定一个基金的年回报，投资者想要知道前一年、前三年、前五年以及前十年奖金的年度平均回报。前缀平均值还可以用作某一快速变化的参数的“平滑”函数。
2023-10-20 00:13:45
198
原创 9715 相邻最大矩形面积
在X轴上水平放置着 N 个条形图，这 N 个条形图就组成了一个柱状图，每个条形图都是一个矩形，每个矩形都有相同的宽度，均为1单位长度，但是它们的高度并不相同。例如下图，图1包含的矩形的高分别为2，1，4，5，1，3，3 单位长度，矩形的宽为1单位长度。你的任务就是计算柱状图中以X轴为底边的最大矩形的面积。图2阴影部分就是上述例子的最大矩形面积。
2023-10-19 21:01:18
223
原创 Socket编程入门
要实现一个简单的客户端-服务器端交互程序，使用Socket建立TCP连接，通过在服务器端监听8888端口，并接收客户端发来的请求字符串“getdatetime”来获取系统当前时间，并且返回给客户端，客户端程序连接到服务器端，发送完请求字符串后，接收来自服务器端返回的当前时间字符串并且在控制台打印出来。2.2、客户端程序，连接到服务器端程序，发出字符串：getdatetime，当接收到服务器端响应后，把返回的日期时间字符串显示在黑窗口中，退出。2、创建完Socket对象后，我们等待客户端连接。
2023-03-25 14:32:13
317
原创 进程描述和控制
进程定义：一个正在执行中的程序。一个正在计算机上执行的程序实例。能分配给处理器并由处理器执行的实体。一个具有以下特征的活动单元：一组指令序列的执行、一个当前状态和相关的系统资源集。构成进程的基本元素：程序代码和数据集进程块标识符状态优先级程序计数器内存指针上下文数据I/O状态信息记账信息……
2023-03-21 23:17:50
112
原创 P1116 车厢重组
在一个旧式的火车站旁边有一座桥，其桥面可以绕河中心的桥墩水平旋转。一个车站的职工发现桥的长度最多能容纳两节车厢，如果将桥旋转 180180 度，则可以把相邻两节车厢的位置交换，用这种方法可以重新排列车厢的顺序。于是他就负责用这座桥将进站的车厢按车厢号从小到大排列。他退休后，火车站决定将这一工作自动化，其中一项重要的工作是编一个程序，输入初始的车厢顺序，计算最少用多少步就能将车厢排序。
2022-12-30 20:23:57
421
原创 scau 电影《长津湖》
2021年国庆大卖电影《长津湖》以长津湖战役为背景，讲述了一个志愿军连队在极度严酷环境下坚守阵地奋勇杀敌，为长津湖战役胜利作出重要贡献的感人故事。一天，光明村也上影《长津湖》了，大家都去电影院买票。假设票价是50元整，去买票的人都是现金支付，且每人要么只带一张50元大钞，要么只带一张100元大钞。小村里的电影院只有一个买票窗口，并且开始卖票时，没有准备任何找零的钱（这意味着先收一张50元大钞，才能给下一位持100元大钞的买主找零）。
2022-11-28 15:48:07
375
原创 数据结构小测二叉树的遍历运算
描述二叉树的三种遍历都可以通过递归实现。如果我们知道一棵二叉树的先序和中序序列，可以用递归的方法求后序遍历序列。输入格式两行，第一行一个字符串，表示树的先序遍历，第二行一个字符串，表示树的中序遍历。树的结点一律用小写字母表示,且字符串长度不超过30。输出格式一个字符串，树的后序序列。输入样例abcdebcade输出样例cbeda思路给出了先序遍历和中序遍历，首先回顾一下先序遍历和中序遍历。先序遍历：先根结点再左孩
2022-05-09 20:59:34
397
原创 18924 二叉树的宽度
Description二叉树的宽度指的是具有节点数目最多的那一层的节点个数。 1 / \ 2 3 / 4 答案为2, 第二层节点数最多，为2个节点。输入格式共n行。第一行一个整数n，表示有n个结点，编号为1至n,结点1为树根。（1<=n<=50）第二行至第n行，每行有两个整数x和y，表示在二叉树中x为y的父节点。x第一次出现时y为左孩子输出格式输出二
2022-04-18 22:19:41
2037
2
原创 18719 填涂颜色
Description由数字0组成的方阵中，有一任意形状闭合圈，闭合圈由数字1构成，围圈时只走上下左右4个方向。现要求把闭合圈内的所有空间都填写成2.例如：6×6的方阵（n=6），涂色前和涂色后的方阵如下：涂色前：0 0 0 0 0 00 0 1 1 1 10 1 1 0 0 11 1 0 0 0 11 0 0 0 0 11 1 1 1 1 1涂色后：0 0 0 0 0 00 0 1 1 1 10 1 1 2 2 11 1 2 2 2 11 2 2 2 2 11 1 1
2022-04-15 17:01:48
134
原创 18718 航行
Description银河帝国正走向覆亡。为保留文明的种子，你需要驾驶飞船将一批“颛家”从帝国首都护送至银河边缘的基地。现在已知航线是一条直线，帝国首都为起点（坐标0），基地为终点（坐标L），在这条航线上有N个空间站可以补充飞船的能源。第i个空间站的坐标为ai，飞船停靠在第i个空间站必须花费bi个银河币，同时让你的飞船能量恢复为最大值M。出发前飞船的能量是满额的M，每一点能量都可以让飞船航行一个坐标单位。现在你已经通过募捐(榨篇）获得了S个银河币，请计算下飞船能否到达基地。输入格式
2022-04-15 16:57:46
295
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人