personalized专题

实践reflex：以Personalized Sales个人销售网站为例

reflex 是一个使用纯Python构建全栈web应用的库，但是需要使用node，所以你懂的。官网：Reflex · Web apps in Pure Python 手册：Introduction Pynecone: Pynecone 是一个全栈 Python 框架，可以使用纯 Python 构建高性能、可自定义的 Web 应用程序 - Gitee.com reflex安装：实践re

Personalized Subgraph Federated Learning，FED-PUB,2023,ICML 2023

个性化子图联邦学习 paper:Personalized Subgraph Federated Learning code Abstract 更大的全局图的子图可能分布在多个设备上，并且由于隐私限制只能在本地访问，尽管子图之间可能存在链接。最近提出的子图联邦学习(FL)方法通过在局部子图上分布式训练图神经网络(gnn)来处理局部子图之间的缺失链接。然而，他们忽略了由全局图的不同社区组成的子图之

[论文笔记] BPR: Bayesian Personalized Ranking from Implicit Feedback 贝叶斯个性化排序

参考：贝叶斯个性化排序(BPR)算法小结 - 刘建平Pinard - 博客园参考：矩阵分解在协同过滤推荐算法中的应用 - 刘建平Pinard - 博客园 BPR算法使用背景　在很多推荐场景中，我们都是基于现有的用户和商品之间的一些数据，得到用户对所有商品的评分，选择高分的商品推荐给用户，这是funkSVD之类算法的做法，使用起来也很有效。但是在有些推荐场景中，我们是为了在千万级别的

TIL: Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation

一、概述《Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation》是一篇关于个性化推荐的论文。它提出了一种名为Triplet Importance Learning（TIL）的新型训练框架，通过调整构建的训练三元组的重要性来优化个性化排名的训练过程。同时，它还提供了两种策略来衡量用户、正向

MyStyle: A Personalized Generative Prior-论文

作者团队: Google 论文链接：paper 代码链接：code 1.论文简介 MyStyle：个性化人像生成式先验。论文提出MyStyle模型框架，一种用数十张个人照片训练的个性化深度生成式先验。MyStyle允许重建、增强和编辑特定人物图像，使输出高度保留此人的关键人脸特征。首先先在大数据集（FFHQ）训练StyleGAN，随后，在给定一小部分人像图像的参考集(100张)，调整预

【论文 | 联邦学习】 | Towards Personalized Federated Learning 走向个性化的联邦学习

Towards Personalized Federated Learning 标题：Towards Personalized Federated Learning 收录于：IEEE Transactions on Neural Networks and Learning Systems (Mar 28, 2022) 作者单位：NTU，Alibaba Group

【捆绑定价】A Data-Driven Approach to Personalized Bundle Pricing and Recommendation

1. 摘要 1.1 背景网络购物的增长趋势引发了越来越复杂的产品推荐系统(product recommendation systems)的发展。本文建立了一个模型，在选择与消费者偏好相关的产品时，考虑利润最大化和库存管理之间的权衡，向网上购物者推荐一个个性化的折扣产品包。 1.2 理论与实践的相关性 (Academic practical relevance) 我们提供分析性的性能保证，

阅读记录【arXiv2020】 Adaptive Personalized Federated Learning

Adaptive Personalized Federated Learning 论文地址： https://arxiv.org/abs/2003.13461 摘要对联邦学习算法个性化程度的研究表明，只有最大化全局模型的性能才会限制局部模型的个性化能力。在本文中，我们提倡自适应个性化联合学习（APFL）算法，其中每个客户端将训练其本地模型，同时为全局模型做出贡献。我们推导出局部模型和全局模

Investigating Neural Network based Query-by-Example Keyword Spotting Approach for Personalized Wake-

Investigating Neural Network based Query-by-Example Keyword Spotting Approach for Personalized Wake-up Word Detection in Mandarin Chinese 基于神经网络的示例查询关键词识别方法在普通话个性化唤醒词检测中的研究 Abstract 我们使用示例查询关键字查找（Q

论文阅读Personalized Image Aesthetics Assessment with Rich Attributes

目录 1.PIAA&GIAA 2.数据集 "PARA" 2.1.图片收集 2.2 标签设计 2.3 人员选择 2.4 主观实验 3.数据分析 4.基准（benchmark） 5.结论 6.专业术语 1.PIAA&GIAA GIAA:只反映了平均观点，忽视了美感评估的高度主观性 PIAA：捕获独一无二的审美偏好 PIAA 模型产生于通用美学评价模型（GIAA

《Predict then Propagate: Graph Neural Networks meet Personalized PageRank》论文阅读笔记

文章：Predict then Propagate: Graph Neural Networks meet Personalized PageRank 出处：ICLR 2019 作者：Johannes Klicpera, Aleksandar Bojchevski & Stephan Gunnemann 机构：Technical University of Munich, Germany

PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK

Motivation 传统GCN在节点分类中达到了不错的效果，但只能在将层数限制在2-3层，加深层数会导致两个问题：（1）、出现过平滑现象：即最后所有节点趋向同一个值。（2）、随着层数的加深，参数量也呈指数级增长。但是试验表明，一般要将层数达到4-5层才能使才能覆盖所有的节点。为了解决这个问题，引进了PageRank方法。问题一由于PageRand方法可能陷入“陷阱问题”和“终止

图神经网络（十九）PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK

本文收录于ICLR2019，作者来自于慕尼黑工业大学。这篇文章说的还是GCN的邻域无法扩展的问题，因此作者利用GCN和PageRank之间的关系，推导出一种基于个性化PageRank的改进传播方案，利用这个传播方案构造了一个简单的模型：个性化的神经预测传播(PPNP)及其快速逼近(APPNP)。该模型需要使用较少的训练时间和较少的参数数量，实验表明，该模型的性能提升较为明显。在看这篇文章之前，可以

《TEA-PSE: TENCENT-ETHEREAL-AUDIO-LAB PERSONALIZED SPEECH ENHANCEMENTSYSTEM FOR ICASSP 2022 DNS CHA》

ABSTRACT 这篇论文提出了两阶段的网络，用ECAPA-TDNN作为获取说话人向量的网络，实现了很好的性能。第一个阶段的网络只是单单的估计幅度谱，和带噪的相位结合起来得到粗糙的复数谱，第二阶段，一个附属的网络作为一个后处理模块，进一步去除掉残余的噪声和人为干扰的声音。同时，相位信息也被跟着改变了。整个大网络用了四个损失组合成最终的损失。 INTRODUCTION

2021_WWW_Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Informat

[论文阅读笔记]2021_WWW_Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks—(WWW, 2021)–Bibek Paudel, Abraham Bernstein 论文下载地址：https://dl.acm.org/doi/10.1