福州大学软工1917 | A 班-
FedRec Federated Recommendation With Explicit Feedback阅读笔记
#动机 本文是2020年的一篇论文。对于联邦学习框架，之前的工作FCF是针对隐式数据的，它将所有未产生评分的物品都当作是负样本，间接的保护了用户的隐私，但是对于显示数据（例如评分），它求导之后很容易被服务器识别出来，因为求导的式子中只包含有交互的物品(未交互的物品应该是为0)，因此会泄露用户偏好物品 -
Federated Collaborative Filtering for Privacy-Preserving Personalized Recommendation System阅读笔记
#动机 本文是2019年华为发布的一篇论文，是首个基于联邦学习范式的推荐框架。传统的推荐系统需要把用户数据上传到服务器然后集中训练模型，但是随着用户的保护隐私意识逐渐加强和与隐私有关的法律颁布，用户可能并不愿意上传自己的数据到服务器，这就给训练推荐模型带来很大问题，因为数据会非常稀少。这时就需要一种 -
leetcode 2213. 由单个字符重复的最长子字符串
本题2213 由单个字符重复的最长子字符串，可以用线段树和珂朵莉树解决，涉及到单点修改和区间查询，关键点在于单点修改后的区间分割与合并。 #线段树方法 我是通过这篇博客学习线段树相关的知识，博主讲的很详细了，比较推荐。 class Solution { public: struct node { i -
A Survey on Accuracy-oriented Neural Recommendation From Collaborative Filtering to Content and Context Enriched Recommendation阅读笔记
#简介 本文是2022年TKDE上的一篇论文。本文以推荐模型的准确性为目标，系统地介绍了神经推荐模型，是一篇综述性论文，阅读本论文的目的是对推荐系统有一个比较系统的了解，确定目前自己学习的方向，同时寻找未来有哪些值得探索的方向。文章整体分为三大部分介绍神经推荐系统，分别是协同过滤模型、内容增强推荐、 -
codeforces 1651D Nearest Excluded Points
最近打算每天做一道codeforces 1800-2000难度的题活跃一下思维，然后记录一下自己没有解出来或是解法很巧妙的题。这道题来自1651D Nearest Excluded Points，题目大致是给出一个长度为n的数组，每一个元素保存着一个点的二维坐标，目标是找出距离每个点最近的点，且这个 -
Intent Contrastive Learning for Sequential Recommendation阅读笔记
#动机 本文是2022年WWW的一篇论文。用户与物品的交互通常由多种意图驱使，但是这些意图通常是潜在的，为了研究意图对序列推荐的作用，作者提出了一个通用范式ICL，它的核心思想是学习到用户的意图并通过对比学习优化序列推荐模型。 #算法 用户与物品集合分别用$\mathcal U$和$\mathcal -
Sequential Recommendation via Stochastic Self-Attention阅读笔记
#动机 本文是2022年WWW的一篇论文。序列推荐中有类种方法是基于transformer的，它用向量表示一个物品并利用点积计算两个物品之间的相似程度。用户的兴趣通常是通过它的交互序列表示的，之前的工作是通过一个确定的向量表示用户的兴趣，但是用户实际的交互序列是不确定的（这里我的理解是用户的兴趣并不 -
Contrastive Learning for Representation Degeneration Problem in Sequential Recommendation阅读笔记
#动机 本文是2022年WSDM的一篇文章。基于深度学习的序列推荐模型生成的物品embedding可能会退化，在语义上高度相似，使得这些物品区分度降低。对比学习是缓解这一问题的方法，但以往的对比学习通常是依赖数据级的增强，它不能提供很好地提供语义一致性的增强样本(按照我的理解就是进行数据增强后得到的 -
Sequential Recommendation with Graph Neural Networks阅读笔记
#动机 本文是2021年SIGIR的一篇论文。目前现有的工作在序列推荐面临着两个挑战：1.用户的历史行为序列通常是隐式反馈的且包含噪声，它们不能充分反映出用户真实偏好。2.用户动态偏好会随时间快速变化，因此很难捕获到用户偏好模式。本文提出一种名为SUGRE的图神经网络，它将稀疏的项目序列重构为紧密的 -
Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning 阅读笔记
#动机 本文是2022年的WWW的一篇论文。图协同过滤方法是一种有效的推荐方法，它很有效，但是它们面临着数据稀疏的问题。对比学习通常用来缓解这个问题，但是目前推荐系统中的对比学习通常是随机采样来构成对比数据对，它们忽略了用户(物品)之间的邻接关系，不能充分发挥对比学习的潜力。本文提出一种通用的框架N