福州大学软工1917 | A 班-
基于onnxruntime c++ api开发benchmark工具
代码详见 `https://github.com/SheepHuan/UnifiedModelBenchmark/tree/onnxruntime_android` ## 1 环境配置 ### 1.1 依赖库 - google gflags - microsoft onnxruntime ### 1 -
CoDL技术介绍及代码复现
## 1 CoDL MobiSys2021 技术介绍 CoDL是一个移动设备上并行DL推理框架,它基于Xiaomi MACE框架开发,主要利用手机SoC的CPU和GPU并行加速模型推理过程,而当前的主要的推理框架还是依次只利用一个设备去推理. ### 1.1 挑战和解决方案 1. 减少异构处理器之间 -
docker容器配置ADB开发环境
## 创建 Docker 容器 ```bash # 1. 要求映射usb文件夹到docker /dev/bus/usb:/dev/bus/usb docker run -it --privileged=true -v /dev/bus/usb:/dev/bus/usb -v /home/yanghu -
红米AC2100：钛星人固件，用ttl刷回breed
去年~~手贱~~不小心把RM2100刷成钛星人固件，想要刷回来找不到方法，趁着这段时间回家又折腾了一下 准备 **工具：**杜邦线、电烙铁（非必须，有金属探针也行）、锡线、TTL转接板（个人使用的是CH340G模块）、网线 **软件：**串口调试助手（微软商店搜得到，可以下载）、Tftpd64、TT -
Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users阅读笔记
#动机 本文是2021年SIGIR上的一篇论文。本文主要针对的是冷启动问题中的跨域推荐问题，目前常用的方法是EMCDR，但是这个方法很大局限性，它仅在重叠的用户上学习，这样学到的模型会偏向于这些重叠用户，针对以上问题，本文提出了TMCDR方法，是一种基于embedding模型通用的方法。 #方法 # -
Task Similarity Aware Meta Learning for Cold-Start Recommendation阅读笔记
#动机 本文是2022年CIKM上的一篇论文。目前解决物品冷启动的方法通常有两种：1.通过物品的特征补充信息。2.元学习。前者通常只考虑到利用物品的属性，而后者旨在为所有新物品生成一个全局共享的初始化。本文提出的TSAML结合上述两种方法的优点，它是一个任务相似性感知的元学习框架。 #方法 TSAM -
GME模型复现
文章原文请见Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction。 文章的核心思路就是根据物品相似度去建一张图，用新广告的邻居老广告的信息加权生成新广告的id表示，再用这个新广告的id表示 -
POSO: Personalized Cold Start Modules for Large-scale Recommender Systems阅读笔记
#动机 本文是2021年快手的一篇文章。目前用户冷启动有以下难题：1.新用户行为分布与普通用户有很大不同。2.尽管新用户也包含个性化特征，但是因为采样不平衡，这些特征会被淹没（个人理解就是因为新用户数据少，他们的特征很难被有效学习）。针对以上问题，本文提出了POSO方法。 #方法 POSO不是一个单 -
Recurrent Meta-Learning against Generalized Cold-Start Problem in CTR Prediction阅读笔记
#动机 本文是ACM MM2022上的一篇论文。在冷启动问题中，之前的工作大多数只考虑到新用户和新广告，并且用户的兴趣也可能随着时间去改变。因此，本文作者认为冷启动问题在时间维度上也存在，提出了广义的冷启动，并且提出了解决广义上的冷启动问题的方法。 #方法 本文对冷启动的定义将一个会话序列(短的交互 -
Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder阅读笔记
#动机 本文是2022年SIGIR上的一篇论文。解决推荐系统中冷启动问题通常有两种方法：1.挖掘历史数据中的分布模式，例如学习一个辅助信息到id的映射。2.在交互物品有限的情况下提高学习效率，例如元学习。但是很少有方法同时兼顾这两个方向，本文提出了CVAR模型解决了上述问题该文主要解决的是item的