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)

 

 



留言

登录 请先登陆, 再留言!