阚野

摘要： 现有的方法通常将色情图像的识别作为一种二分类或多类分类任务，通过提取多种特征来实现。 但是，这些方法忽略了负样本中固有类型的问题，忽略了分类任务中不确定性的影响，导致负数据集不足，对不在训练集中的样本识别错误。 为了解决这一难题，本文提出了一种名为Deep One-Class with Attent 阅读全文

摘要： 这篇文章的一个启发点是使用Siamese网络和注意力模型将不同类别的特征集成，从而解决数据缺失的问题，然而文章中没有具体讲出注意力模型的参数是如何训练的，即模型上层如何得知下层不同子模型的数据是否缺失，是通过逻辑判断？还是直接用0值训练？或者用各模型的数据单独训练注意力参数？ 原文地址 https: 阅读全文

摘要： 如今，在线视频平台大多通过分析用户驱动的数据来推荐相关视频，比如观看模式，而不是视频内容。然而，当视频旨在传递知识时，内容比任何其他元素都重要。因此，我们开发了一个web应用程序，考虑到转录视频中的内容，将相关的TED演讲视频推荐给用户。TED Talk推荐人构建了一个网络来推荐内容相近的视频，并提供用户界面。我们的演示系统可以在http://dmserver6.kaist.ac.kr:24673/下载。 阅读全文

摘要： 原作者 原论文地址 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.379.1951&rep=rep1&type=pdf 本文地址：https://www.cnblogs.com/kyxfx/articles/9414823.html 阅读全文

摘要： 本文地址:https://www.cnblogs.com/kyxfx/articles/9392086.html actorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model 原作者 原论文地址：h 阅读全文

摘要： 原论文地址：https://arxiv.org/pdf/1806.06192v1.pdf Handling Cold-Start Collaborative Filtering withReinforcement Learning 原作者： 本文地址：https://www.cnblogs.com/ 阅读全文

摘要： 使用自然语言与推荐系统对话的技术障碍正在消失。目前已有一些商业系统可以使用AI代理来辅助交互。例如，有可能说“我可以看什么”到一个苹果电视遥控器来获得建议。在这项研究中，我们调查了用户如何与一种新的自然语言推荐系统进行交互，以加深我们对这些技术预期的输入范围的理解。我们将一个自然语言界面部署到一个推荐系统中，我们观察用户的第一个交互和后续查询，我们测量了基于语言和基于类型的接口之间的差异。我们使用定性的方法来对用户的第一次查询(客观的、主观的、导航的)和后续查询(细化、重新制定、重新开始)进行分类。我们使用定量的方法来确定语音和文本之间的差异，发现语音输入通常更长、更具有对话性。 阅读全文

摘要： Attention-based Group Recommendation 推荐系统广泛应用于诸如谷歌、Twitter、LinkedIn和Netflix等大型信息公司。一个推荐系统通过使用用户偏好筛选重要信息片段来处理信息过载的问题。随着深度学习越来越成功，最近的研究证明了在各种推荐任务中使用深度学习的好处。然而，大多数提出的技术都只针对个体，这在群体推荐中是无法有效应用的。 在本文中，我们提出了一种深度学习架构来解决群体推荐问题。另一方面，人们注意到作为个体的用户和群组成员的行为是不同的。为了解决这些问题，我们建议使用注意机制来捕获群组中每个用户的影响。具体地说,我们的模型自动学习群组中的每个用户的影响权重并根据其成员的权重偏好为群组推荐项目。我们对四个数据集进行了广泛的实验。我们的模型显著地优于基线方法，并且在将深度学习应用于群体推荐问题上显示了很有希望的结果。 阅读全文