推荐系统、基于内容、基于用户、协同过滤、矩阵分解、LFM

图神经网络中还有一个重要概念，即图采样。如果数据量过大，则是否可以仿照传统深度学习的小批量训练方式呢？答案是不可以，因为普通深度学习中的训练样本之间并不依赖，但是图结构的数据中，节点与节点之间有依赖关系，如下图：普通深度学习的训练样本在空间中是一些散点，可以随意小批量采样，无论如何采样得到的训练样本并不会丢失什么信息。而图神经网络训练样本之间存在边的依赖，也正是因为有边的依赖，也正是因为有边的依赖

首先，介绍一下什么是图：简单来说，图是一种描述和分析实体之间关系的通用表达形式。图的种类也有很多，比如：事件图、计算机网络图、疾病传播图、食物链图、分子图、地铁路线图。社交网络图、金融图、沟通图、论文引用图、因特网、神经元网络。知识图谱、监管网络图、场景图、代码结构图、分子结构图、3D图形。

CIFAR-10数据集包含60000张32x32彩色图像，分为10个类，每类6000张。有50000张训练图片和10000张测试图片。数据集分为五个训练batches和一个测试batch，每个batch有10000张图像。测试batch包含从每个类中随机选择的1000个图像。训练batches以随机顺序包含剩余的图像，但有些训练batches可能包含一个类的图像多于另一个类的图像。在它们之间，训练

决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质上是一颗自上而下的由多个判断节点组成的树。条件熵-conditional entropy。都压缩到[0,1]区间内。

损失函数是系数的函数，另外还要传入数据的x，y def compute_cost(w , b , points) : total_cost = 0 M = len(points) # 逐点计算平方损失误差，然后求平均数 for i in range(M) : x = points [ i , 0 ] y = points [ i , 1 ] total_cost +=(y - w * x - b)

首先，执行build_medicalgraph.py文件，将数据导入Neo4j数据库中。该项目来自中国科学院，数据来源于网络，不过没有实现前端页面，只有后端的展示。之后执行chatbot_graph.py文件即可开启对话！这里设置的密码为：“12345678”

第1级：微程序机器层。这是一个实在的硬件层，它由机器硬件直接执行微指令。第2级：传统机器语言层。它也是一个实际的机器层，由微程序解释机器指令系统。第3层：操作系统层。它由操作系统程序实现。操作系统程序是由机器指令和广义指令组成的，这些广义指令是为了扩展机器功能而设置的，是由操作系统定义和解释软件指令，所以这一层也称为混合层。第4层：编译语言层。它是为用户提供一种符号化的语言，借此可编写汇编语言源程

正因为 GET 请求只查看信息，不改变信息，对数据库的一次或多次操作获得的结果是一致的，认为它符合幂等性。缓存是 GET 请求被广泛应用的根本，他能够被缓存也是因为它的幂等性和安全性，除了返回结果没有其他多余的动作，因此绝大部分的 GET 请求都被 CDN 缓存起来了，大大减少了 Web 服务器的负担。这一点使得 GET 请求携带的数据量有限，因为 URL 本身是有长度限制的，而 POST 请求的