推荐系统论文阅读(二十二)-基于多兴趣向量召回的Mind
前面讲的论文大部分都是关于排序的算法，mind作为天猫商城召回阶段的算法，还是很值得阅读的。 主流的推荐系统一般都分为matching(召回)和rangking(排序)两个阶段，不管在哪个阶段，都要学习和表示用户的兴趣向量。
年阿里团队发表在CIKM上的论文“Multi-Interest Network with Dynamic Routing for Recommendation at Tmall”，应用胶囊网络的动态路由算法来构建一个多兴趣网络MIND，是一个召回阶段的模型。
背景 在天猫的推荐过程中，推荐系统也被拆分为召回和排序阶段。本文重点关注召回阶段的算法。召回阶段的目标是得到数千个跟用户兴趣紧密相关的商品候选集。
推荐系统论文阅读(二十三)-神经图协同过滤NGCF
原始的协同过滤方法忽略了这种信息，所以在进行user 和 item representation时就不足以较好的进行embedding。
在介绍NDCG之前还需要知道另一个概念，IDCG(Ideal DCG)，指推荐系统为某一用户返回的最好推荐结果列表，即假设返回结果按照相关性排序，最相关的结果放在前面，此序列的DCG为IDCG.因此DCG的值介于(0，IDCG]，故NDCG的值介于(0，1]。
论文地址： https：//arxiv.org/pdf/19008030vpdf 前面讲的论文大部分都是关于排序的算法，mind作为天猫商城召回阶段的算法，还是很值得阅读的。
近些年将遗传算法应用于图像匹配的论文推荐?
以下是一些有关遗传算法和图像处理的参考书目推荐，其中一些可能有 PDF 版本可用：《遗传算法基础及应用》（Genetic Algorithm： Basic Theory and Applications）（英）戴维·戈德伯格著，唐飞等译，机械工业出版社，2003 年。
该书详细介绍了遗传算法及其应用于图像处理和计算机视觉中的算法和方法。
图像处理技术 图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。
没有可以消除的弱边界时，区域合并过程结束，图像分割也就完成。
推荐系统论文阅读(二十六)-基于上下文时序注意力机制的序列推荐模型
1、首先，我们看第一个问题，我的理解就是用self-attention进行序列建模，第二个就是确定时间因素和上下文因素的影响，第三个就是综合考虑时间和上下文的影响。
2、论文地址： https：//arxiv.org/pdf/19008030vpdf 前面讲的论文大部分都是关于排序的算法，mind作为天猫商城召回阶段的算法，还是很值得阅读的。
3、前面也提到了GSU类比于推荐系统中的召回阶段，而在多路召回中，一般也有基于Embedding的召回和基于策略规则的召回，其中hard-search就是基于规则的召回，soft-search就是基于Embedding的召回，下面来详细讲一下这两种方法。
4、self-attention得到的注意力矩阵同上 masked self-attention得到的注意力矩阵与上面有点不同，这里的masked就是要在做翻译的时候，不给模型看到未来的信息。
推荐系统经典论文
本论文通过将用户项交互（更具体地说是二分图结构）集成到embedding过程中，开发了一个新的推荐框架神经图协同过滤（NGCF），该框架通过在其上传播embedding来利用user-item图结构。
序列推荐任务很少使用时间和上下文信息对h(h就是rnn，gru等序列建模网络输出的状态)进行加权，www这篇论文融合了上下文和时间信息的加权信号，一起看看吧，虽然笔者觉得这篇论文非常笨重。
C2：互补推荐需要考虑多样性。这些推荐通常是一组具有不同类别和功能的商品，可以满足客户的需求。如图1所示，包含三种类型的网球相关产品的多元化推荐列表要优于仅一种类型的推荐列表。C3：互补推荐在冷启动项目中受挫。
