风和雨滴

摘要： 是拟合共现。例如以往中用户u交互了一系列物品，其中类型a的物品占大多数，还有很多类型为b的曝光物品被交互的比例很小，那么模型就会学到用户u和类型a的共现概率是比较高的，当然，类型ab要作为一个特征让模型感知到（这也说明标签体系建设和特征区分度的重要性）。从这方面看，推荐系统可以理解为通过交互历史拟合 阅读全文

摘要： TFRecord文件训练速度调优 问题描述： 背景： tfrecord文件由spark生成： res_df.write.format("tfrecords").option("recordType","Example")mode("overwrite").save("path/") 大约有90个特征 阅读全文

摘要： Blas xGEMV launch failed : a.shape=[1,2048000,50], b.shape=[1,50,1], m=2048000, n=1, k=50 问题描述：使用tensorflow2运行模型时报错: 2 root error(s) found. (0) Intern 阅读全文

摘要： 社交网络被用于增强用户的表示，而知识图谱则通过标签等方式增强物品的表示学习。引入知识图谱有两个好处：一是知识图谱中项目之间丰富的语义关系有助于探索物品之间的联系并强化物品表示的学习；二是知识图谱将用户的历史物品和推荐的物品连接起来（通过标签），可以增强推荐过程中的可解释性。但是，知识图谱由于存在多种 阅读全文

摘要： 在将用户的社交信息引入到用户-物品交互的学习中的方向上，目前存在两个主要的问题： 用户的朋友对用户的影响权重 [172]DiffNet/2019对用户节点的好友邻居节点一视同仁，使用平均池化来聚合邻居信息。 [130]DGRec/2019首先使用循环神经网络来对用户行为序列进行建模，随后使用图注意力 阅读全文

摘要： 图序列推荐是从用户交互的连续物品中挖掘用户的行为模式，它将原始的物品序列构建为图的形式，并通过添加节点、边、融合其他序列以及添加超边的方法增强图的表达。 图序列推荐目前存在三个待解决的问题： 图结构 目前数据集中用户的行为序列长度普遍偏短（5左右），如果只是在序列的物品之间添加节点来构建图将会限制图 阅读全文

摘要： 基于用户、物品的图协同过滤方法。 主要是从用户-物品交互的二部图出发，应用图学习方法，获得更好的用户或物品表示，用于后面的预测任务。 存在的问题： 图结构。是直接使用包含用户以及物品两种类型节点的二部图还是构建同质图来进行学习，同时，考虑到计算的复杂度问题，如何对节点的邻居进行采样来更新节点或是使用 阅读全文

摘要： 原因与需求：最近随着用户在服务器上上传的数据集增加，原来的根目录下450G左右的容量已经占用了82%，接近预警线了。而机器实际还有一块6T的机械硬盘（/dev/sda）挂载在了/mnt/sda目录下。于是想把机械的容量转移到根目录下。使用df -Th命令可以看到目前机器的硬盘容量分配情况。 需要注意 阅读全文

摘要： 图的表示 图，不论是无向图还是有向图，都使用邻接矩阵表示。 图的性质： 度(degree)：无向图某个节点对应的边的个数为这个节点的度。有向图则分为出度和入度。 子图(subgraph)：子图中所有的点和边都在原图中。 连通图：对于一个无向图，如果任意的节点i能够通过一些边到达节点j，则称为连通图。 阅读全文

摘要： 在pandas数据较大（千万行）时，使用groupby函数并对聚合的数据进行一系列操作需要耗费非常多的时间，但是查看cpu性能时发现cpu占用率非常低。于是萌生使用多线程加速的想法，至少让cpu满载工作。 - 原始代码： ```python for user, user_hist in review 阅读全文