暑期总结--涂博文--7.10-8.31

btu

       首先前三周是吴恩达深度学习系列课程的学习，吴恩达老师将问题深入浅出，循序渐进，首先是详细地介绍了神经网络的基础知识（包括逻辑回归，梯度下降法，浅层，深层神经网络等），接着进一步教我们如何优化模型（正则化，mini-batch、adam等优化算法，及超参数的调试），接下来介绍了一些机器学习策略，教我们如何快速建立系统框架，然后介绍了CNN模型的搭建和应用（目标检测和人脸识别），最后详细介绍了RNN模型、词嵌入和注意力机制。

接下来的时间我一共研读了三篇论文，这三篇论文都是针对推荐系统的优化问题。作者提出的思路十分地新颖有趣。

1.Ripple Network: Propagating User Preferences on the Knowledge Graph for Recommender Systems
该文提出的Ripple Network模型在知识图谱上模拟了类似水波的传递过程，将用户的兴趣以其历史记录中的实体为中心，在知识图谱上向外逐层扩散，并逐渐衰减。从而有效地为用户可能感兴趣地内容由跃迁步长划分其权重，通过这种方法很好地提高了推荐系统的准确度

2.Meta-Graph Based Recommendation Fusion over Heterogeneous Information Networks
该文提出利用矩阵分解（MF）+分解因子机（FM）的结构，通过计算用户-商品相似度矩阵、分解矩阵获得用户-商品的隐式特征、拼接特征、使用分解因子机训练和预测一共四个过程，有效的利用了除评分外的多类信息，简单且高效。

3.Learning Tree-based Deep Model for Recommender Systems
该文提出基于树搜索的深度模型，有效将随语料库规模增大而线性增加的时间复杂度降为logn，并将树结构和神经网络交叉训练，使树结构和神经网络均得到优化。

我成功运行了1，其代码包括数据加载、模型、预处理、训练、主程序一共五个模块，数据集包括电影和图书的评价序列和图谱关系。


       在这段暑期培训中，我收获很多，虽然还有很多细节没有足够厘清，但是在脑海中已经对深度学习知识体系建立了框架，在之后的学习中将更有方向感。同时也提升了论文汇报工作的能力，并有幸与各位优秀的同学相互分享和学习。在此也十分感谢老师的悉心指导，我会在接下来的日子投入更多的时间去弄清楚深度学习的知识细节。