- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
Discover Cross-Domain Relations 关系 with GAN
https://github.com/jmiller656/DiscoGAN-Tensorflow
38040发布于 2018-07-24 - 来自专栏我还不懂对话
Cross-Domain Review Helpfulness Prediction -论文阅读
Cross-Domain Review Helpfulness Prediction based on Convolutional Neural Networks with Auxiliary Domain 而本文提出的（ cross-domain transfer learning (TL) ）方法，不需要领域知识和手工提取特征。 Reference https://mp.weixin.qq.com/s/8e3L7WmC6T5gDKWzzXqNvA Cross-Domain Review Helpfulness Prediction
50320发布于 2021-10-19 - 来自专栏我还不懂对话
Cross-Domain Review Helpfulness Prediction -论文阅读
Cross-Domain Review Helpfulness Prediction based on Convolutional Neural Networks with Auxiliary Domain 而本文提出的（ cross-domain transfer learning (TL) ）方法，不需要领域知识和手工提取特征。 Reference https://mp.weixin.qq.com/s/8e3L7WmC6T5gDKWzzXqNvA Cross-Domain Review Helpfulness Prediction
51140编辑于 2022-01-04 - 来自专栏计算机视觉理论及其实现
Cross-Domain Car Detection Using UnsupervisedImage-to-Image Translation: From Day to Night
深度学习技术使最先进的模型得以出现，以解决对象检测任务。然而，这些技术是数据驱动的，将准确性委托给训练数据集，训练数据集必须与目标任务中的图像相似。数据集的获取涉及注释图像，这是一个艰巨而昂贵的过程，通常需要时间和手动操作。因此，当应用程序的目标域没有可用的注释数据集时，就会出现一个具有挑战性的场景，使得在这种情况下的任务依赖于不同域的训练数据集。共享这个问题，物体检测是自动驾驶汽车的一项重要任务，在自动驾驶汽车中，大量的驾驶场景产生了几个应用领域，需要为训练过程提供注释数据。在这项工作中，提出了一种使用来自源域（白天图像）的注释数据训练汽车检测系统的方法，而不需要目标域（夜间图像）的图像注释。 为此，探索了一个基于生成对抗网络（GANs）的模型，以实现生成具有相应注释的人工数据集。人工数据集（假数据集）是将图像从白天时域转换到晚上时域而创建的。伪数据集仅包括目标域的注释图像（夜间图像），然后用于训练汽车检测器模型。实验结果表明，所提出的方法实现了显著和一致的改进，包括与仅使用可用注释数据（即日图像）的训练相比，检测性能提高了10%以上。
52220编辑于 2023-10-07 - 来自专栏计算机视觉理论及其实现
Self-Supervision & Meta-Learning for One-ShotUnsupervised Cross-Domain Detection
(1)我们引入了one-shot Unsupervised Cross-Domain Detection设置，这是一种跨域检测场景，目标域在样本之间变化，因此只能从一幅图像学习自适应。 Cross-Domain Detection当训练和测试数据来自两种不同的分布时，在第一种分布上学习到的模型注定在第二种分布上失败。
70120编辑于 2022-09-02 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transformer
参考 [1] SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transformer
52110编辑于 2024-06-19 - 来自专栏NewBeeNLP
跨域推荐： 迁移学习和推荐系统的火花碰撞
一句话概括就是：跨域推荐（Cross-Domain Recommendation）是 迁移学习 在推荐系统中的一种应用。 代表论文：A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation[1] [ijcai, 2020 在自己的领域内根据user-item评分矩阵得到embedding cross-domain embedding. 代表论文：Cross-Domain Recommendation: An Embedding and Mapping Approach[3] [ijcai 2017] 首先在每个领域对user-item Recommendation [recsys 2020]: https://ceur-ws.org/Vol-2715/paper6.pdf [3]Cross-Domain Recommendation
2.8K30编辑于 2022-04-14 - 来自专栏机器学习与推荐算法
论文周报 | 推荐系统领域最新研究进展，含多篇最新发布的SIGIR等顶会论文
Triple Sequence Learning for Cross-domain Recommendation 6. Automated Prompting for Non-overlapping Cross-domain Sequential Recommendation 13. Contrastive Cross-Domain Sequential Recommendation, CIKM 2022 16. Triple Sequence Learning for Cross-domain Recommendation Haokai Ma, Ruobing Xie, Lei Meng, Xin Chen, Xu Zhang, Leyu Lin, Jie Zhou https://arxiv.org/abs/2304.05027 Cross-domain recommendation (CDR) aims
1.1K10编辑于 2023-08-22 - 来自专栏机器学习与推荐算法
一文梳理跨域推荐研究进展
而多个领域中可能有的领域数据多有的领域数据少，跨领域推荐（cross-domain recommendation）就旨在使用数据充足的领域数据帮助数据不足的领域进行更好的推荐。 [2] Cross-Domain Recommendation: An Embedding and Mapping Approach. CIKM2019. [4] Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users. KDD2008. [6] Conet: Collaborative cross networks for cross-domain recommendation. KDD2021. [9] Debiasing Learning based Cross-domain Recommendation. KDD2021.
2K30发布于 2021-09-23 - 来自专栏机器学习与推荐算法
SIGIR2020推荐系统论文聚焦
RS，Cold-start in RS，Efficient RS，Knowledge-aware RS，Robust RS，Group RS，Conversational RS，RL for RS，Cross-domain 6 Efficient RS 5 Knowledge-aware RS 5 Cold-start in RS 4 Group RS 4 Conversational RS 4 RL for RS 3 Cross-domain Cross-domain RS Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network.
2.2K31发布于 2020-06-17 - 来自专栏机器学习与推荐算法
CIKM2022推荐系统论文集锦
一种推荐系统中检索模型的可定制损失函数 ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation Contrastive Cross-Domain Recommendation Contrastive Learning with Bidirectional Transformers for Sequential Recommendation Cross-domain Recommendation Explanation Guided Contrastive Learning for Sequential Recommendation FedCDR: Federated Cross-Domain Learning for Cold-Start News Recommendation Gromov-Wasserstein Guided Representation Learning for Cross-Domain Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation
1.2K30编辑于 2022-10-31 - 来自专栏AI科技评论
WSDM 2022 | 中科院、腾讯、北航提出：跨领域推荐中的个性化迁移用户兴趣偏好
作者 | 朱勇椿 本文基于WSDM 2022论文《Personalized Transfer of User Preferences for Cross-domain Recommendation》，论文作者来自中科院计算所 Cross-Domain Recommendation: An Embedding and Mapping Approach[C]//IJCAI. 2017, 17: 2464-2470. [2] Kang Semi-supervised learning for cross-domain recommendation to cold-start users[C]// CIKM: 1563-1572. [3 Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users[C].
1K20发布于 2021-11-05 - 来自专栏机器学习与推荐算法
2021上交跨域推荐最新综述论文
嘿，记得给“机器学习与推荐算法”添加星标 ---- A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions 论文地址： 摘要： 传统推荐系统面临着数据稀疏和冷启动问题这两个长期存在的障碍，推动了跨领域推荐(Cross-Domain recommendation, CDR)的出现和发展。
95320发布于 2021-09-23 - 来自专栏机器学习与推荐算法
WWW2020推荐系统论文合集(已分类整理)
General RS 3 RL for RS 3 POI RS 2 Cold Start in RS 2 Security RS 2 Fairness RS 2 Explianability for RS 2 Cross-domain Recommender Systems Hierarchical Adaptive Contextual Bandits for Resource Constraint based Recommendation 10 Cross-domain RS Exploiting Aesthetic Preference in Deep Cross Networks for Cross-domain Recommendation 11 Knowledge
1.1K10发布于 2020-05-08 - 来自专栏机器学习与推荐算法
SIGIR 2021 | 推荐系统相关论文分类整理
Filtering Sequential/Session-based Recommendations Conversational Recommender System News Recommendations Cross-domain /Multi-behavior Recommendations Federated Collaborative Transfer for Cross-Domain Recommendation【跨领域推荐中的联合协同迁移 】 Learning Domain Semantics and Cross-Domain Correlations for Paper Recommendation【通过领域语义和跨领域关联做论文推荐】 Recommendation with Interaction Heterogeneity and Diversity【基于图元网络的多行为推荐】 Transfer-Meta Framework for Cross-domain Cold Start Recommender Systems【冷启动中新物品的公平性比较】 Long-Tail Hashing【长尾Hash】 Transfer-Meta Framework for Cross-domain
1.7K40发布于 2021-05-11 - 来自专栏炼丹笔记
跨域CTR预估，带你一飞冲天！
作者：一元，四品炼丹师 MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction(CIKM20) 背景 三类兴趣 为了有效的利用cross-domain的数据，本文考虑了三类用户兴趣： Long-term interst across domain: 每个用户都有自己的个人资料功能，如用户ID、年龄组、性别和城市 我们定义cross-domain CTR预测任务为从source domain中利用数据来提升目标域的CTR预估。 cross-Domain的长期兴趣 对于每个广告实例,我们将特征划分为用户特征和广告特征，我们抽取出用户的所有广告特征，然后将其concat起来得到表示向量, 相似地,我们得到源域的新闻表示向量; 对于用户 参考文献 MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction：https://arxiv.org/
1.6K21发布于 2021-05-14 - 来自专栏秋枫学习笔记
CIKM 2022 推荐系统，因果推断论文整理
Contrastive Variational AutoEncoder for Sequential Recommendation【ContrastVAE：用于序列推荐的对比变分自动编码器】 Contrastive Cross-Domain Learning with Bidirectional Transformers for Sequential Recommendation【用于序列推荐的双向 Transformer 对比学习】 Cross-domain Explanation Guided Contrastive Learning for Sequential Recommendation【序列推荐的解释引导对比学习】 FedCDR: Federated Cross-Domain Cold-Start News Recommendation【冷启动新闻推荐的生成对抗零样本学习】 Gromov-Wasserstein Guided Representation Learning for Cross-Domain Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation
1.4K40编辑于 2023-01-30 - 来自专栏图南科技
系统服务化构建-跨域CROS
“以上一段话参考 Cross-domain Ajax with Cross-Origin Resource Sharing/[1]，主要含义是说 CORS 的核心思想是通过 HTTP 请求头通讯，使得客户端和服务器端彼此决定请求和响应是否被成功接受 The spirit behind CORS is to avoid preflight for any simple cross-domain requests that old non-CORS-capable “The spirit behind CORS is to avoid preflight for any simple cross-domain requests that old non-CORS-capable 参考资料 [1] Cross-domain Ajax with Cross-Origin Resource Sharing/: https://humanwhocodes.com/blog/2010/05
1.3K20发布于 2019-12-10 - 来自专栏专知
【论文推荐】最新六篇序列推荐相关论文—卷积序列嵌入学习、用户记忆网络、上下文GRU、迁移学习
Cross-domain novelty seeking trait mining for sequential recommendation ---- ---- 作者：Fuzhen Zhuang,Yingmin In this paper, we study the new cross-domain recommendation scenario for mining novelty-seeking trait Along this line, we proposed a new cross-domain novelty-seeking trait mining model (CDNST for short)
1.7K50发布于 2018-04-13 - 来自专栏全栈程序员必看
vue 解决跨域问题（开发环境）[通俗易懂]
process.env.VUE_APP_BASE_API, // url = base url + request url // withCredentials: true, // send cookies when cross-domain url + request url process.env.VUE_APP_BASE_API+'api' withCredentials: true, // send cookies when cross-domain
6.6K30编辑于 2022-11-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号