标题

A Graph-based Recommendation across Heterogeneous Domains

作者

阳德青（复旦大学）

简介

与Semantic-based Recommendation Across Heterogeneous Domains（2015 ICDM）类似的，这也是一篇跨领域的推荐。所谓的跨领域指的是：网络中不同的系统，并不是指完全不相干的领域。跨领域主要目的是应用一个已有资源的系统中信息解决另一个系统的冷启动问题。问提定义与上一篇论文中一样，如下图e所示：

动机

具有现实意义。

1. 对于某些豆瓣用户，他们在豆瓣上并不活跃，但是他们在微博上却是活跃的，如何根据微博信息对他们推荐豆瓣电影？
2. 对于两个糖尿病网站，一个是针对一型，二型以及前驱糖尿病的，还有一个网站是针对妊娠糖尿病。如何根据其中一个网站的post对另一个网站的用户进行推荐？

   挑战

3. 不同领域间共享特征的稀疏性
4. 如何设计一个有效且高效的模型来推测不同领域间实体（用户/物品）的相似性

解决思路

1. 提出一个基于多部图的推荐模型和一个有效的传播算法
2. 根据网络百科提取的概念向量获取不同标签/关键词的语义关联

具体算法

将此多部图表达成一个关系矩阵X，然后归一化成S。如下图所示：

目标：根据计算一个与S全局近似的矩阵K:

其中，A,B,C分别如下：

那么，为：

某个用户i的关联向量如下：

而对于特征关系矩阵，其计算是根据语义匹配实现的，也就是本文的第二个共现：根据百科页面来计算标签间相似度，具体做法与上一篇论文类似。

标题

Semantic-based Recommendation across Heterogeneous Domains

作者

Deqing Yang, Yanghua Xiao

主要内容

这是2015年发表在ICDM上的文章，文章实现了跨领域的推荐。首先，本文提出了一种较以往跨领域完全不同的问题定义，即多个领域之间没有任何交集，没有跨领域用户-物品交互，多领域间也没有重合的特征，如下图(e)所示。

本文两个主要贡献：1. 缓解用户画像稀疏性问题；2. 对不同领域间的特征构建语义联系

1. 使用标签传播算法构建用户画像

作者首先考虑直接关联用户的影响，对于目标用户u，他的标签评分向量计算如下：。其中代表用户u与其他用户的关系向量，T表示所有用户和标签的关系矩阵。为了使标签具有代表性，文章用一个IDF对角矩阵D来表示标签的代表性，从而修正用户标签矩阵。从而。接着，作者又考虑到间接用户的影响，因此在之前的基础上的迭代计算由此诞生。考虑到大规模矩阵运算的时空花费过大，文章又介绍了提出了两个剪枝算法对算法进行优化。

2. 语义匹配

对于中文中不同领域间标签的匹配，作者使用百度百科的信息。当两个概念在一个页面中同时出现，且这样的页面越多时，我们认为这两个概念是更加语义相关的。作者首先将所有的标签映射到百科中的概念中，然后根据每一个概念百科页面计算概念的词向量。在此基础上使用一个Weighted Normal Google Distance(简称WNGD)来衡量标签的相似度。

实验数据集

1. 微博和豆瓣电影数据集
2. 两个糖尿病数据集

这段时间在看js高程这本书，看到第五章讲了引用类型，觉得比较重要所以写下这篇笔记。写的比较随意，完全是为了自己再理清一遍。

1. 引用类型

1.1 Object

大多数引用类型实际上是Object类型的实例。所有的对象都有toLocaleString()、toString()、valueOf()方法。创建方法有两种：构造函数法和对象字面量表示法。分别表示如下：

最近看了一个CSS3中的新属性：flex。它是一种不同于块和内联模型的新布局模型。它包括flex container和子元素flex items，利用属性的定义可以自由地控制其子元素的布局。

       你总说毕业遥遥无期，转眼就各奔东西。