本文思想较易理解。简而言之，分两部分，一部分估计用户对事件的偏好（cosine similarity），另一部分估计划分偏好的阈值（大于阈值则参加/否则不参加）。这么做比把他们合成一个变量的好处？
核心设计在于阈值，即文中等式（1）.常见的近邻综合影响计算（包括近邻的影响强度w、近邻自身的状态f-h、以及自身的状态h_0）,有意思是这里用的连乘而不是求和
值得学习的地方：
（1）图5：展示了均值、中位数、最值、区间概率。
（2）Section 7: 利用学习出的隐式变量，设计实际运用（解释隐式变量在显式设计的作用/可作为可视化参数的替代）
（3）深挖问题的技巧、以及论文结构（核心动机分析和模型介绍放在前面、其他尽可能多的补充放到后面）。这样便于理解。
（4）虽为预测类论文，但其中有很多有意思的“taking home” message
（5）计算梯度简化方法（迭代求导，假设其中一个为常量，对另一个变量求导）
| 文献题目 | 去谷歌学术搜索 | ||||||||||
| Exploiting the Dynamic Mutual Influencefor Predicting Social Event Participation | |||||||||||
| 文献作者 | Tong Xu; Hui Xiong | ||||||||||
| 文献发表年限 | 2019 | ||||||||||
| 文献关键字 | |||||||||||
| 用户组/社交影响；动态阈值学习；长期决定可能由于偏好、短期决定可能仅仅因为社交因素；优化函数设计类；非神经网络设计 | |||||||||||
| 摘要描述 | |||||||||||
| In this paper, we investigated how to exploit the dynamic mutual influence for enhancing the prediction of social event participation. A unique characteristic of our method is that the social influence is integrated into the threshold calculation for the discriminant function, which reflects the dynamic mutual dependence within friends for event participation. Specifically, we designed a variant two-stage discriminant framework to capture both users’ preferences and their latest social connections. | |||||||||||
