建模用户的长期和短期兴趣对于准确的推荐至关重要。然而，由于没有手动标注用户兴趣的标签，现有方法总是遵循将这两个方面纠缠在一起的范式，这可能导致推荐准确性和可解释性较差。在本文中，为了解决这个问题，我们提出了一个对比学习框架，以将推荐的长期和短期兴趣（CLSR）与自我监督分开。具体来说，我们首先提出了两个独立的编码器来独立捕获不同时间尺度的用户兴趣。然后，我们从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其相应兴趣代理之间的相似性。最后，由于长期和短期利益的重要性是动态变化的，我们建议通过基于注意力的网络自适应地聚合它们进行预测。我们对电子商务和短视频推荐的两个大规模真实数据集进行了实验。经验结果表明，我们的 CLSR 始终优于所有最先进的模型，并有显着改进：GAUC 提高了 0.01 以上，NDCG 提高了 4% 以上。进一步的反事实评估表明，CLSR 成功地实现了长期和短期利益的更强解耦。
2022-09-21 14:05:37
679KB
1
主要介绍如何使用automata以及Petri Nets对离散事件（动态）系统进行建模及描述。
吴老师上学期连讲了好多节课，并且发了一篇book review在IEEE Control System Magazine上：
A. Paoli and N.E. Wu, Book review: An Introduction to Discrete Event Systems, 2nd Edition, by C.G. Cassandras, and S. Lafortune, IEEE Control Systems Magazine, June, 2009.
Eva Wu的个人主页：
http://www.ws.binghamton.edu/wuweb
2022-09-15 13:56:20
11.33MB
1
这本书是数学建模必备参考书，原书给出了数学建模中常用的Matlab程序介绍，尤其最后给出了真题的程序实现过程，对数模“小白”绝对一本不错的书！这里给大家提供书中所有程序和数据
2022-07-25 16:31:55
76.64MB
1