acm.org

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于acm.org的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、怎么下載被EI檢索的論文啊？

• 2、推薦系統(tǒng)論文閱讀（二十九)-美團：利用歷史交互數(shù)據(jù)改進對話推薦系統(tǒng)

• 3、請問大家：以“SIG”打頭的國際會議有哪些?。克麄兪遣皇嵌际怯葾CM舉辦的呢？

• 4、matlab中的插值函數(shù) griddata的具體原理是什么呢？可否大概講解一下?。?！

一、怎么下載被EI檢索的論文??？

你好，要查詢哪些論文被

EI

檢索，可以登錄

http://www.engineeringvillage2.org.cn/controller/servlet/Controller，其中

Username

和

Password

都是

unruse。

要下載計算機和電氣電子方面的英文論文，你可到

ieeexplore.ieee.org/

和

portal.acm.org/dl.cfm，其中大多數(shù)論文（特別是

Journal

Papers）被

EI

檢索，不過需要登錄。一般，設(shè)有理工學科的大學圖書館都會購買

IEEE

和

ACM

等數(shù)據(jù)庫，所以正如樓上所說，通過這些學校的

IP

地址（或者經(jīng)由學校的代理服務器）即可無需登錄直接下載到全文。不方便的話，可以找在大學的朋友幫忙。

二、推薦系統(tǒng)論文閱讀（二十九)-美團：利用歷史交互數(shù)據(jù)改進對話推薦系統(tǒng)

論文：

題目：《Leveraging Historical Interaction Data for Improving Conversational Recommender System 》

地址： https://dl.acm.org/doi/pdf/10.1145/3340531.3412098

這是我第一次將美團發(fā)表的論文寫在這上面，該論文是人大跟美團這邊合作在CIKM上面的一篇短論文，研究的是如何利用歷史交互的數(shù)據(jù)來進行對話式的推薦。

最近，對話推薦系統(tǒng)（CRS）已成為一個新興且實用的研究主題。 現(xiàn)有的大多數(shù)CRS方法都專注于僅從對話數(shù)據(jù)中為用戶學習有效的偏好表示。 然而，本論文從新的視角來利用歷史交互數(shù)據(jù)來改善CRS。 為此，這篇論文提出了一種新穎的預訓練方法，以通過預訓練方法集成基于物品的偏好序列（來自歷史交互數(shù)據(jù)）和基于屬性的偏好序列（來自對話數(shù)據(jù)）。

隨著電子商務平臺中智能代理的快速發(fā)展，對話推薦系統(tǒng)（CRS）已成為尋求通過對話向用戶提供高質(zhì)量推薦的新興研究主題。 通常，CRS由對話模塊和推薦模塊組成。 對話模塊側(cè)重于通過多回合互動獲取用戶的偏好，推薦模塊側(cè)重于如何利用推斷出的偏好信息為用戶推薦合適的商品。

現(xiàn)有的大多數(shù)CRS都以“系統(tǒng)要求用戶響應”模式設(shè)計的。在每輪對話中，CRS都會發(fā)出有關(guān)用戶偏愛的問題，并且用戶會使用個性化反饋對系統(tǒng)進行回復。通常，系統(tǒng)會根據(jù)商品的某些屬性（例如，你最喜歡的電影類型是什么）來生成系統(tǒng)查詢，并且用戶反饋會反映用戶對該屬性的特定偏愛（例如，我喜歡動作電影）。主流方法是構(gòu)造一種跟蹤模塊，該模塊可以從這種多輪對話中推斷出用戶的基于屬性的偏好。以此方式，可以將所推斷的偏好呈現(xiàn)為所推斷屬性的序列（例如，電影CRS中的“流派＝動作→導演＝詹姆斯·卡梅隆”。有了這個序列后，我們就可以用一些方法來進行推薦來，比如可以采用知識圖譜來進行推薦。

但是，這些現(xiàn)有的CRS研究存在兩個主要問題。首先，對話本身的信息非常有限。許多CRS得到了進一步優(yōu)化，以減少系統(tǒng)與用戶交互的回合數(shù)。因此，在基于屬性的推斷偏好中，可能會丟失一些有用的屬性。其次，僅利用基于屬性的偏好來進行推薦可能還不夠。例如，即使在過濾了幾個屬性之后，候選項目集仍可能很大。

現(xiàn)在要解決以上提到的兩個問題，我們就需要把基于item的方式和基于屬性的方式進行結(jié)合。其中，基于歷史交互item的方式反映的是用戶的長期興趣，基于會話屬性的方式反映的是用戶當前的興趣，也就是短期興趣，這是一個典型的長短期興趣結(jié)合的任務。

A：之前說了，在CRS系統(tǒng)中，一個用戶進行多輪對話后，會有一個item屬性的集合，A就是這個集合

=  ,其中 屬于A，是item的屬性，n是屬性序列的長度

,其中 是用戶在對話前第k步與之交互的item

:我們進一步假設(shè)每個項目ik也與一組屬性值相關(guān)聯(lián)，用Aik表示，它是整個屬性集A的子集。

任務的定義：根據(jù)CRS模塊，首先收集到基于屬性的序列 ，然后利用點擊序列 進行推薦。關(guān)于這個任務的定義，深入理解應該是這樣：我們是先有屬性序列，然后主要根據(jù)點擊序列進行推薦，屬性序列的建模是子模塊任務，序列推薦是主任務，序列推薦任務在屬性序列更新后可以反復利用這個信息，只要屬性序列更新。

 論文的base model是用Transformer做的，輸入部分是embedding層，這部分除了有item id的embedding矩陣，還有屬性的embedding矩陣，輸入還有個P，這個就不說了，位置向量。

中間的運算就是Transformer的過程了，self-attention 跟ffn，這里不懂transformer結(jié)構(gòu)的可以看一下論文。

輸出部分是預測候選item i的概率：

其中ei是i的原始embedding向量，W是映射矩陣，兩個s是item和屬性經(jīng)過transformer結(jié)構(gòu)出來的最后一個向量。

熟悉bert的都知道m(xù)ask language model，把item序列中的item 用mask替代，然后預測這些被mask掉的item。

其中fik是item transformer結(jié)構(gòu)出來的位置k出來的向量，SA是熟悉結(jié)構(gòu)出來的Aik的位置出來的向量，W是映射矩陣，eik是原始的item embedding。

為了更好的讓item based的信息跟attribute based的信息進行融合，論文也采取了一種另類的mask方法，用隨機負采樣的屬性來替代Aik，

其中fik是被替換的那個item經(jīng)過trm出來的向量，W是映射矩陣，faj是屬性trm出來的向量，預測的概率是aj是否是被替換過。

在LTR里面，如果采用的是pairwise的優(yōu)化方式，那么負采樣的技術(shù)就至為關(guān)鍵了，而且優(yōu)化了正樣本的概率大于負樣本的能力，所以需要選取一種負采樣的方法來給我們整個模型的優(yōu)化帶來提升。

MIP里面負采樣的方式用的是 IR-GAN 和 ELECT這兩篇論文所采用的方式。

改論文選擇了SASRec作為第一個階段的pairwise ranking的模型，這個模型也是論文中用來sample 負樣本的模型。負采樣是這么做的：我們先用pairwise ranking的方式訓練一個模型作為生成器，得到了候選item的概率分布，有了這個概率分布我們就可以拿來負采樣了，因為排序高的items跟真實的很接近。至于為什么選擇這個模型，論文里面說是因為這個論文在序列推薦任務中的表示特別好，也就是它作為ranking的模型效果還不錯。請注意，盡管可以像標準GAN中那樣更新生成器，但是我們只訓練它的參數(shù)一次。 根據(jù)經(jīng)驗，我們發(fā)現(xiàn)迭代更新帶來的改進是有限的。

整個訓練分成兩個階段，第一個是預訓練階段，就是訓練兩個表示學習模型，第二個是微調(diào)階段，學習的是rank loss：

三、請問大家：以“SIG”打頭的國際會議有哪些?。克麄兪遣皇嵌际怯葾CM舉辦的呢？

這些都是ACM下SIG分組織 ，他們都有會議，你可以去查看他們的會議信息www.acm.org/sigs

SIGACCESS SIGACT SIGAda SIGAPP SIGARCH SIGART SIGBED SIGBioinformatics

SIGCAS SIGCHI SIGCOMM SIGCSE SIGDA SIGDOC SIGecom SIGEVO

SIGGRAPH SIGHIT SIGIR SIGITE SIGKDD SIGMETRICS SIGMICRO SIGMIS

SIGMM SIGMOBILE SIGMOD SIGOPS SIGPLAN SIGSAC SIGSAM SIGSIM

SIGSOFT SIGSPATIAL SIGUCCS SIGWEB

http://www.researchbib.com/

四、matlab中的插值函數(shù) griddata的具體原理是什么呢？可否大概講解一下?。。?/strong>