GRE - quantitative reasoning QUANTITAVE REASONING Arithmetic 1.1 整数 integers concepts 因数（factor）/ 因子（divisor）倍数（multiple） 最小公倍数least common multiple、最大公因数great common divisor/factor 商quotient 余数remainder A is divided b 2022-05-09 GRE GRE
Session-based Recommendation with Graph Neural Networks | Shu Wu 参考源代码 INTRO previous work: Markov chains, Recurrent Neural Networks (RNNs) 提出基于GNN的SBR方法，sessions被建模成图结构数据，GNN可以捕捉items间复杂的过渡，每一session利用注意网络由全局偏好和当前兴趣组成. 首先将所有会话序列建模为会话图。 然后，将每个会话图逐个处理，并通过门控图神经 2022-04-22 lab paper Recommender Systems SR-GNN
Multi-behavior Recommendation with Graph Convolutional Networks | Bowen Jin INTRO 传统推荐模型（协同过滤CF）只采用一种 user-item模型，面临严重的数据稀疏或冷启动问题 多行为推荐：通过辅助行为，来帮助预测用户未来对目标行为的交互 现有的研究采用： 在采样过程中利用多行为数据，并建立多采样对来加强模型学习过程 尝试设计模型以捕获多行为信息 现有研究的局限： 多种行为的强度没有得到充分利用。多反馈推荐模型需要从数据中揭示和进一步利用不 2022-04-16 lab paper GNN Recommender Systems
Graph Neural Networks for Recommender Systems | Chen Gao 代表性论文及其代码库 从四个角度对推荐系统的研究进行了分类：阶段、场景、目标和应用 BG 1. 推荐系统 现代推荐系统三个阶段stage： 匹配：核心任务是高效检索潜在相关项目，并实现用户兴趣的粗粒度建模 排序：在匹配阶段之后，来自不同渠道的多个候选项目来源被合并到一个列表中，然后通过单个排名模型进行评分。 再排序：去除某些项目或更改列表的顺序，以满足其他标准并满足业务需求 2022-04-10 lab paper GNN Recommender Systems
推荐系统中的图神经网路 gnn图神经网络 gat图注意力网络 gcn 图卷积网络 什么是GNN CNN: 通过卷积得到下一层的feature map 在图结构中，通过对邻居节点的表示进行计算得到下一层feature map，再利用传播过程所得到的各层表示来进一步完成后续任务（例如节点分类/边预测/节点内积预测匹配度等等） 根据结构设计不同，GNN模型可以划分为以下几种，RecGNN、ConvGNN、STG 2022-03-14 lab dl
android（一）应用基础知识 应用组件 activity 活动（activity）是用户操作的可视化界面；它为用户提供了一个完成操作指令的窗口。当我们创建完毕Activity之后，需要调用setContentView()方法来完成界面的显示；以此来为用户提供交互的入口。 一个activity就是一个单独的窗口 activity之间通过intent进行通信 需要在AndroidManifest.xml配置相关信息 2022-01-09 cs android android
c# .NET框架及开发环境 应用程序体系结构的类型 单层体系结构 双层：客户端、服务器端 三层：三个相互独立的服务层 N层 .NET框架的组成 .NET Framework 服务和类的集合 在.NET应用程序和操作系统之间以层的方式存在 封装了调试和安全服务等早期各种程序设计语言所具备的许多基本功能。 .NET Framework基础类或.NET类构架 公共 2021-11-11 lab C#
python数值运算（一）NumPy NumPy NumPy简介 维基百科是这样说的 NumPy是Python语言的一个扩展程序库。支持高阶大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy的前身Numeric最早是由Jim Hugunin与其它协作者共同开发，2005年，Travis Oliphant在Numeric中结合了另一个同性质的程序库Numarray的特色，并加入了其它扩展而开发了Num 2021-08-19 python