不抛弃 不放弃

摘要： 本文基于GCN补全路网在不同时段中各个路段的速度分布，以实现对路径在给定未来某时段下时间消耗的估计。 1）以路段为节点，路段间的流通关系为边，构建基于边的图 2）不同与直观的路网图，本文的边图需要考虑节点间的拓扑关系，作者采用ChebNet实现边之间的特征提取。 3）作者为体现模型的可扩展性，提出了 阅读全文

摘要： 作者将MF和Graph-based模型融合在一起。实际上，在原有BPR-MF基础上，通过Graph上的随机游走，并结合顶点的度，以一定概率采样不同的正样本（这些item并不是与user直接连接，不确定这样选取正样本是否合适），并为不同跳数得到的排序对赋予衰减系数。 本文的intuition： 1）矩 阅读全文

摘要： Transformer —— attention is all you need Transformer模型是2018年5月提出的，可以替代传统RNN和CNN的一种新的架构，用来实现机器翻译，论文名称是attention is all you need。无论是RNN还是CNN，在处理NLP任务时都有 阅读全文

摘要： 该篇文章在推荐算法日益迅增的今天，给研究者敲了一记醒钟：在关注基于深度学习模型效果的同时，也要更加严谨的对待实验的baseline、dataset和metric。 code: https://github.com/MaurizioFD/RecSys2019_DeepLearning_Evaluati 阅读全文

摘要： 从拉普拉斯矩阵说到谱聚类 阅读全文

摘要： NAACL 2019最佳论文：量子概率驱动的神经网络 知其然，知其所以然：基于多任务学习的可解释推荐系统 阅读全文

摘要： 图神经网络（GNN）也许是 AI 的未来 CNN已老，GNN来了！清华大学孙茂松组一文综述GNN 图神经网络综述：模型与应用 深度学习时代的图模型，清华发文综述图网络 图神经网络笔记 阅读全文

摘要： Multimodal Machine Learning:A Survey and Taxonomy 综述阅读笔记 这可能是「多模态机器学习」最通俗易懂的介绍 阅读全文

摘要： 两个多元高斯分布之间的wasserstein 距离 阅读全文

摘要： 分解机(Factorization Machines)推荐算法原理 阅读全文