基于图网络的推荐系统论文，主要改进思路：无需使用给定的社交网络、局部和全局信息利用 (本身local，主要是global)、高阶信息利用、结构邻居与语义邻居、互蒸馏、时空信息利用等，基本是将图网络的一些进展迁移到推荐系统领域。...

很早之前就对动态权重比较感兴趣，最开始接触动态权重，是17年师兄师姐的一篇论文[1]。动态权重，或者称为自适应权重，可以广泛应用于多场景、多模态、多国家、多任务、多标签等各种任务的不平衡学习中。出于完整性，本文先对不平衡问题进行总结。...

推荐系统相关顶会整理算法工程师是否应该持续读论文？\x0d\x0a\x0d\x0a尤其是对于业务属性偏重的搜索/推荐/广告算法岗位，很多人的工作主要涉及业务理解以及数据清洗，对于模型的优化以及新模型的应用较少，这种情况下是否需要在工作之余阅读最新的论文呢？答案自然是需要。https://mp.weixin.qq.com/s/LE2_MaRrU_kuhQh1_DB5uQ推荐系统相关顶会整理 - 知乎

重加权，也称为代价敏感学习，通过调整训练期间不同类别的损失值来对类别进行重新平衡，近期的研究提出了各种代价敏感学习方法来处理类别不平衡问题，包括类别级重加权和类别级re-margining，大家熟知的Focal loss、动态权重等都属于重加权方法。...

​公众号【面经1】算法工程师实习校招面经 (上篇)知乎深度学习算法工程师面经(微软、阿里、商汤、滴滴、华为、海康、平安、陌陌等offer)之上篇 - 知乎​一、引言“温故而知新，可以为师矣”，基于《公众号短期规划》一文，我将首先对过去在实验室及实习秋招过程中的工作进行总结，主要包括实习校招面经、目标检测、属性识别、人脸聚类、图卷积、不平衡问题等部分。由于21年已转推荐算法，时间原因，温故部分主要是

鉴于[1] [2]已对推荐系统相关论文进行梳理，本文选择POI (Point-of-Interest)方向的论文进行解读。如果对该方向不了解，可以参考综述文章[3] [4]。如果对该方向很感兴趣，[5]对POI的最新论文进行了整理。...

本文选择SIGIR 2022推荐系统对比学习方向的论文进行解读，包括5篇Long Paper，6篇Short Paper。

​本文对其中的推荐系统论文 Simple Yet Effective Graph Contrastive Learning for Recommendation 一文进行解读。论文可在公众号后台回复 ICLR-2023-RecSys 获取，所有论文都是按照该方式存档。 本文代码也已公开在https://anonymous.4open.science/r/LightGCL/。

​动态权重，或者称为自适应权重，可以广泛应用于多场景、多模态、多国家、多任务、多标签等各种任务的不平衡学习中。出于完整性，在《不平衡问题: 深度神经网络训练之殇》一文中，已对不平衡问题进行总结。本文主要对动态权重在多任务学习不平衡问题中的应用论文进行解读。...

论文： R-CNN (https://arxiv.org/abs/1311.2524)Fast R-CNN (https://arxiv.org/abs/1504.08083)Faster R-CNN (https://arxiv.org/abs/1506.01497)代码：（mxnet）https://github.com/ijkguo/mx-rcnn代码：（gluoncv）h...