526互联

contextualized recommendation sequential attention

A Neural Influence Diffusion Model for Social Recommendation

[TOC] > [Wu L., Sun P., Fu Y., Hong R., Wang X. and Wang M. A neural influence diffusion model for social recommendation. SIGIR, 2019.](https://dl.acm ......
Recommendation Influence Diffusion Neural Social

SocialLGN Light graph convolution network for social recommendation

[TOC] > [Liao J., Zhou W., Luo F., Wen J., Gao M., Li X. and Zeng J. SocialLGN: Light graph convolution network for social recommendation. Information ......
recommendation convolution SocialLGN network social

搭建小实战和Sequential的使用

# 搭建小实战和Sequential的使用 ## 模型搭建 以CIFAR 10 model结构为例搭建网络 **CIFAR 10 model结构** ![](https://img2023.cnblogs.com/blog/2934702/202308/2934702-202308152115118 ......
Sequential 实战

[AGC003E] Sequential operations on Sequence 题解

神仙思维题，那我的评价是太妙了。 ### 思路 我们发现正的十分难以维护这个过程。 考虑可以倒着进行这个操作。 容易发现对于整块，我们找到在前面第一个小于它的 $a_i$。 然后就会有一个贡献的转移，$f_i=f_{now}\times \frac{a_{now}}{a_i}$。 至于散块，我们发现 ......
题解 Sequential operations Sequence 003E

论文解读（SimGCL）《Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation论文作者：Junliang Yu ......
Graph Recommendation Augmentations Contrastive Necessary

pytorch-两个PyTorch中的Sequential模型合并成一个

要将两个PyTorch中的Sequential模型合并成一个，你可以使用`nn.Sequential`的`add_module`方法或者直接使用`*`操作符来解包Sequential模型并将它们合并。以下是两种方法的示例： 方法一：使用`add_module`方法 ```python import ......
Sequential 模型 两个 pytorch PyTorch

论文解读（LightGCL）《LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation论文作者：Cai, Xuheng and Huang, ......
LightGCL Recommendation Contrastive Effective Learning

HS-GCN Hamming Spatial Graph Convolutional Networks for Recommendation

[TOC] > [Liu H., Wei Y., Yin J. and Nie L. HS-GCN: Hamming spatial graph convolutional networks for recommendation. IEEE TKDE.](https://arxiv.org/pdf/ ......
Recommendation Convolutional Networks Hamming Spatial

SIAMHAN:IPv6 Address Correlation Attacks on TLS E ncrypted Trafic via Siamese Heterogeneous Graph Attention Network解读

1. Address 论文来自于USENIX Security Symposium 2021 2. Paper summary 与ipv4地址采用nat掩盖不同，ipv6地址更加容易关联到用户活动上，从而泄露隐私。但现在已经有解决隐私担忧的方法被部署，导致现有的方法不再可靠。这篇文章发现尽管在有防护 ......
Heterogeneous Correlation Attention ncrypted SIAMHAN

Attention机制竟有bug？Softmax是罪魁祸首，影响所有Transformer

前言 「大模型开发者，你们错了。」 本文转载自机器之心 仅用于学术分享，若侵权请联系删除 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 CV各大方向专栏与各个部署框架最全教程整理 【CV技术指南】CV全栈指导班、基础入门班、论文指导班 全面上线! ......
罪魁 祸首 罪魁祸首 Transformer Attention

斯坦福博士一己之力让Attention提速9倍！FlashAttention燃爆显存，Transformer上下文长度史诗级提升

前言 FlashAttention新升级！斯坦福博士一人重写算法，第二代实现了最高9倍速提升。 本文转载自新智元 仅用于学术分享，若侵权请联系删除 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 CV各大方向专栏与各个部署框架最全教程整理 【CV技 ......
上下文 显存 史诗 FlashAttention Transformer

self-attention

Self attention考虑了整个sequence的资讯【transfermer中重要的架构是self-attention】 解决sequence2sequence的问题，考虑前后文 I saw a saw 第一个saw对应输出动词 第二个输出名词 如何计算相关性【attention score ......
self-attention attention self

Unified Conversational Recommendation Policy Learning via Graph-based Reinforcement Learning

图的作用： 图结构捕捉不同类型节点（即用户、项目和属性）之间丰富的关联信息，使我们能够发现协作用户对属性和项目的偏好。因此，我们可以利用图结构将推荐和对话组件有机地整合在一起，其中对话会话可以被视为在图中维护的节点序列，以动态地利用对话历史来预测下一轮的行动。 由四个主要组件组成：基于图的 MDP ......
Learning Conversational Recommendation Reinforcement Graph-based

粗读Multi-Task Recommendations with Reinforcement Learning

论文： Multi-Task Recommendations with Reinforcement Learning 地址： https://arxiv.org/abs/2302.03328 # 摘要 In recent years, Multi-task Learning (MTL) has yi ......
Recommendations Reinforcement Multi-Task Learning Multi

seq2seq+attention的个人理解

[toc] ## RNN 经典的RNN结构： ![image](https://img2023.cnblogs.com/blog/2560090/202307/2560090-20230714165034348-527906121.png) 这是经典的RNN结构，输入向量是： ![image](ht ......
seq attention seq2seq 个人 2seq

MEANTIME Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation

[TOC] > [Cho S., Park E. and Yoo S. MEANTIME: Mixture of attention mechanisms with multi-temporal embeddings for sequential recommendation. RecSys, 20 ......
Multi-temporal Recommendation Embeddings Mechanisms Sequential

LEA: Improving Sentence Similarity Robustness to Typos Using Lexical Attention Bias 论文阅读

# LEA: Improving Sentence Similarity Robustness to Typos Using Lexical Attention Bias 论文阅读 KDD 2023 [原文地址](https://arxiv.org/abs/2307.02912) ## Introd ......
Robustness Similarity Improving Attention Sentence

【论文阅读】CrossViT：Cross-Attention Multi-Scale Vision Transformer for Image Classification

> # 🚩前言 > > - 🐳博客主页：😚[睡晚不猿序程](https://www.cnblogs.com/whp135/)😚 > - ⌚首发时间：23.7.10 > - ⏰最近更新时间：23.7.10 > - 🙆本文由 **睡晚不猿序程** 原创 > - 🤡作者是蒻蒟本蒟，如果文章里有 ......
Cross-Attention Classification Multi-Scale Transformer Attention

Multi-Modal Attention Network Learning for Semantic Source Code Retrieval 解读

# Multi-Modal Attention Network Learning for Semantic Source Code Retrieva Multi-Modal Attention Network Learning for Semantic Source Code Retrieval，题 ......
Multi-Modal Attention Retrieval Learning Semantic

Memory Augmented Graph Neural Networks for Sequential Recommendation

[TOC] > [Ma C., Ma L., Zhang Y., Sun J., Liu X. and Coates M. Memory augmented graph neural networks for sequential recommendation. AAAI, 2021.](http: ......
Recommendation Sequential Augmented Networks Memory

【论文阅读】CrossFormer: A Versatile Vision Transformer Based on Cross-scale Attention

来自CVPR 2021 论文地址：https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/2108.00154.pdf 代码地址：https://link.zhihu.com/?target=https%3A//github.com/cheers ......
CrossFormer Cross-scale Transformer Attention Versatile

2023CVPRW_Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing(SCANet) 课程学习策略

1. ......
课程学习 CVPRW_Self-Paced Non-Homogeneous Semi-Curricular Homogeneous

4.1 Self-attention

# 1. 问题引入 我们在之前的课程里遇到的都是输入是一个向量,输出是类别或者标量.但如果输入是向量的集合且向量长度还会变化,又应该怎么处理呢? ![image](https://img2023.cnblogs.com/blog/2264614/202307/2264614-202307021649 ......
Self-attention attention Self 4.1

关于Deep Neural Networks for YouTube Recommendations的一些思考和实现

作者自己实现该文章的时候遇到的一些值得思考的地方： - [关于Deep Neural Networks for YouTube Recommendations的一些思考和实现](https://cloud.tencent.com/developer/article/1170340) - [备份网址] ......
Recommendations Networks YouTube Neural Deep

什么是 Kernel Smoother ？它与 Self Attention 有什么关系？

[1] **带权滑动平均（Weighted Moving Average, WMA）** 是标量场上的滑动窗口内的加权平均，数学上等价于卷积。[^WMA] [2] **Kernel Smoother** 是一种特殊的 WMA 方法，特殊在于权重是由**核函数**决定的，相互之间越接近的点具有越高的权 ......
Attention Smoother Kernel Self

Attention is All you need

转载：https://zhuanlan.zhihu.com/p/46990010 Attention机制最早在视觉领域提出，2014年Google Mind发表了《Recurrent Models of Visual Attention》，使Attention机制流行起来，这篇论文采用了RNN模型， ......
Attention need All you is

Self-attention with Functional Time Representation Learning

[TOC] > [Xu D., Ruan C., Kumar S., Korpeoglu E. and Achan K. Self-attention with functional time representation learning. NIPS, 2019.](http://arxiv.or ......
Self-attention Representation Functional attention Learning

Graph Masked Autoencoder for Sequential Recommendation

[TOC] > [Ye Y., Xia L. and Huang C. Graph masked autoencoder for sequential recommendation. SIGIR, 2023.](http://arxiv.org/abs/2305.04619) ## 概 图 + MA ......
Recommendation Autoencoder Sequential Masked Graph

混合性对话：Towards Conversational Recommendation over Multi-Type Dialogs

## 混合型对话 传统的人机对话研究专注于单一类型的对话，并且往往预设用户一开始就清楚对话目标。但实际应用中，人机对话常常混合了多种类型，例如闲聊、任务导向对话、推荐对话、问答等，并且用户目标是未知的。在这样的混合型对话中，机器人需要主动自然地进行对话推荐。 “混合型对话”这个新颖的任务于2020年 ......
混合性 Conversational Recommendation Multi-Type Towards

Time Interval Aware Self-Attention for Sequential Recommendation

[TOC] > [Li J., Wang Y., McAuley J. Time interval aware self-attention for sequential recommendation. WSDM, 2020.](https://dl.acm.org/doi/10.1145/3336 ......
Self-Attention Recommendation Sequential Attention Interval
共180篇  :4/6页 首页上一页4下一页尾页