本篇文章主要介绍王翔、何向南老师团队在SIGIR2021上发表的文章SGL，Self-supervised Graph Learning for Recommendation[1]。这篇文章提出了一种应用于用户-物品二分图推荐系统的图自监督学习框架。核心的思想是，对输入的二分图，做结点和边的dropout进行数据增强，增强后的图可以看做原始图的子视图；在子视图上使用任意的图卷积神经网络，如Ligh

微信小程序日历（轮播图自适应高度） 最近在开发一个效率类小程序的时候发现微信小程序没有日历组件，原本想用vant weapp的日历组件，但是包太大了，一个日历组件需要很多其他组件的依赖，于是就自己写了一个组件。样式依赖于colorUI，所以需要引入colorUI的包才能正常使用 github链接，点击进入 也可以复制进入，直接按照md文件配置就可以使用 https://github.com/

Introduction 为什么需要自监督学习？ 图上的深度学习近些年十分流行，但是现有的工作大部分都是监督或半监督学习（需要人工标注标签）。基于监督学习和半监督学习的方法存在一些缺陷： 人工标注耗时耗力；泛化性能可能较差，尤其是训练数据稀缺的时候；鲁棒性较差，可能受到标签相关的对抗性攻击。 而自监督学习（self-supervised learning, SSL）对人工标注数据的依赖较低