自编码器原理，改进。在神经网络中是监督学习下的操作，那么它又如何应用到无监督学习中呢？一个直观的想法就是让经过了神经网络的输入等于元输入，或者尽量相差不大。这样做不就可以学习到输入数据中隐含着某些特定的结构，甚至通过设计神经元数目来完成数据压缩吗？自编码器由一个编码器（encoder）函数和一个解码器（decoder）函数组合而成。编码器函数将输入数据转换为一种不同的表示，而解码器函数则将这个新的

继续整理几篇SIGIR2020的Graph+Recommendation的论文，其他的一些论文整理可以看博主以往博文（传送门），本篇只整理两篇比较有意思的异构图+推荐的文章。Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View（AC

推荐已经成为许多在线内容共享服务的核心组成部分，从图像、博客公众号、音乐推荐、短视频推荐等等。与传统推荐不一样的地方，就是这些项目内容包含着丰富的多媒体信息-帧、音轨和描述，涉及多种形式的视觉、声学和文本信息。那么如此丰富的多媒体，多模态信息如何融合到推荐中呢？最普通也是最直接的方式可能就是对多模态抽特征，然后多模态融合直接作为side Information或者item的representati

Session-based Recommendation with Graph Neural Networks会话序列推荐的图应用，发自AAAI 2019，先放链接：blog：https://sxkdz.github.io/research/SR-GNN/paper：https://arxiv.org/abs/1811.00855code：https://github.com/CRIPAC-DIG

Generative Adversarial NetworksGAN的想法很简单，一言以蔽之：以假乱真。Generative（生成）：GAN实际上可以看作是一个生成数据的工具。目标就是通过学习让自身生成更加真实的数据。Adversarial （对抗）：既然能够以假乱真，对抗的自然就是识别真假的警察了。所以GAN 主要包括了两个部分：生成器 （Generator ）：生成器努力使生成的图像...

分享一篇自监督学习用于推荐系统的综述，先上link：title：Self-Supervised Learning for Recommender Systems: A Surveypaper：https://arxiv.org/abs/2203.15876code：https://github.com/Coder-Yu/SELFRec在博主之前的文章中，对比学习用于推荐系统问题（SSL，S^3-R

而在实际的推荐系统中，推荐的物品可以是各种新闻、图片或视频（如上图的source domain的来源可以是任何信息），因此基于混合模态反馈的推荐模型是实现可迁移和通用推荐的重要途径，并且可以迁移到属于任何源领域模态组合的目标域（如上图target domain可以是单模态，也可以是多模态）。MGAT (Multimodal Graph Attention Network)的模型结构如上图，分为两条

推荐系统跟随这深度学习领域前沿技术的发展，也逐步发展，目前作为火热的以预训练、自监督等等方向为主。随着prompt learning在nlp的出色表现，也开始向cv，向多模态进行扩展，当然，也有不少研究人员用它来解决推荐系统问题。关于prompt learning的基础技术和相关应用，博主已经在很多文章中都已经整理，不做赘述。预训练新范式（Prompt-tuning，Prefix-tuning，P

利用ChatGPT实现零样本信息抽取（Information Extraction，IE），看到零样本就能大概明白这篇文章将以ChatGPT作为一个基座然后补全前后端，来实现抽取任务。具体来说，ChatIE实现零样本的策略是将其任务转化为具有。对于句子：《我的爱情日记》是1990年在北京上映的中国…代码已经开源，包含了详细的前后端处理。ChatIE如下图所示，

本篇博文继续整理推荐系统系列，更多文章可以参考博主的以往系列论文：推荐系统专栏。自监督学习在CV和NLP已经用的很多了，那很自然也会被迅速引进并占坑到推荐系统领域咯。而发掘推荐数据上的自监督信号，其实也是十分有利于推荐系统的，主要有以下优势：舒缓数据稀疏。一般来说推荐系统的数据集，有点击的监督数据不便于收集，非常少，而且高度稀疏化，因此通过自监督学习是可以对数据进行增强和扩增的；舒缓噪音干扰。不但