acm.org

大家好！今天让创意岭的小编来大家介绍下关于acm.org的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、怎么下载被EI检索的论文啊？

• 2、推荐系统论文阅读（二十九)-美团：利用历史交互数据改进对话推荐系统

• 3、请问大家：以“SIG”打头的国际会议有哪些啊？他们是不是都是由ACM举办的呢？

• 4、matlab中的插值函数 griddata的具体原理是什么呢？可否大概讲解一下！！！

一、怎么下载被EI检索的论文啊？

你好，要查询哪些论文被

EI

检索，可以登录

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

Username

和

Password

都是

unruse。

要下载计算机和电气电子方面的英文论文，你可到

ieeexplore.ieee.org/

和

portal.acm.org/dl.cfm，其中大多数论文（特别是

Journal

Papers）被

EI

检索，不过需要登录。一般，设有理工学科的大学图书馆都会购买

IEEE

和

ACM

等数据库，所以正如楼上所说，通过这些学校的

IP

地址（或者经由学校的代理服务器）即可无需登录直接下载到全文。不方便的话，可以找在大学的朋友帮忙。

二、推荐系统论文阅读（二十九)-美团：利用历史交互数据改进对话推荐系统

论文：

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

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

这是我第一次将美团发表的论文写在这上面，该论文是人大跟美团这边合作在CIKM上面的一篇短论文，研究的是如何利用历史交互的数据来进行对话式的推荐。

最近，对话推荐系统（CRS）已成为一个新兴且实用的研究主题。 现有的大多数CRS方法都专注于仅从对话数据中为用户学习有效的偏好表示。 然而，本论文从新的视角来利用历史交互数据来改善CRS。 为此，这篇论文提出了一种新颖的预训练方法，以通过预训练方法集成基于物品的偏好序列（来自历史交互数据）和基于属性的偏好序列（来自对话数据）。

随着电子商务平台中智能代理的快速发展，对话推荐系统（CRS）已成为寻求通过对话向用户提供高质量推荐的新兴研究主题。 通常，CRS由对话模块和推荐模块组成。 对话模块侧重于通过多回合互动获取用户的偏好，推荐模块侧重于如何利用推断出的偏好信息为用户推荐合适的商品。

现有的大多数CRS都以“系统要求用户响应”模式设计的。在每轮对话中，CRS都会发出有关用户偏爱的问题，并且用户会使用个性化反馈对系统进行回复。通常，系统会根据商品的某些属性（例如，你最喜欢的电影类型是什么）来生成系统查询，并且用户反馈会反映用户对该属性的特定偏爱（例如，我喜欢动作电影）。主流方法是构造一种跟踪模块，该模块可以从这种多轮对话中推断出用户的基于属性的偏好。以此方式，可以将所推断的偏好呈现为所推断属性的序列（例如，电影CRS中的“流派＝动作→导演＝詹姆斯·卡梅隆”。有了这个序列后，我们就可以用一些方法来进行推荐来，比如可以采用知识图谱来进行推荐。

但是，这些现有的CRS研究存在两个主要问题。首先，对话本身的信息非常有限。许多CRS得到了进一步优化，以减少系统与用户交互的回合数。因此，在基于属性的推断偏好中，可能会丢失一些有用的属性。其次，仅利用基于属性的偏好来进行推荐可能还不够。例如，即使在过滤了几个属性之后，候选项目集仍可能很大。

现在要解决以上提到的两个问题，我们就需要把基于item的方式和基于属性的方式进行结合。其中，基于历史交互item的方式反映的是用户的长期兴趣，基于会话属性的方式反映的是用户当前的兴趣，也就是短期兴趣，这是一个典型的长短期兴趣结合的任务。

A：之前说了，在CRS系统中，一个用户进行多轮对话后，会有一个item属性的集合，A就是这个集合

=  ,其中 属于A，是item的属性，n是属性序列的长度

,其中 是用户在对话前第k步与之交互的item

:我们进一步假设每个项目ik也与一组属性值相关联，用Aik表示，它是整个属性集A的子集。

任务的定义：根据CRS模块，首先收集到基于属性的序列 ，然后利用点击序列 进行推荐。关于这个任务的定义，深入理解应该是这样：我们是先有属性序列，然后主要根据点击序列进行推荐，属性序列的建模是子模块任务，序列推荐是主任务，序列推荐任务在属性序列更新后可以反复利用这个信息，只要属性序列更新。

 论文的base model是用Transformer做的，输入部分是embedding层，这部分除了有item id的embedding矩阵，还有属性的embedding矩阵，输入还有个P，这个就不说了，位置向量。

中间的运算就是Transformer的过程了，self-attention 跟ffn，这里不懂transformer结构的可以看一下论文。

输出部分是预测候选item i的概率：

其中ei是i的原始embedding向量，W是映射矩阵，两个s是item和属性经过transformer结构出来的最后一个向量。

熟悉bert的都知道mask language model，把item序列中的item 用mask替代，然后预测这些被mask掉的item。

其中fik是item transformer结构出来的位置k出来的向量，SA是熟悉结构出来的Aik的位置出来的向量，W是映射矩阵，eik是原始的item embedding。

为了更好的让item based的信息跟attribute based的信息进行融合，论文也采取了一种另类的mask方法，用随机负采样的属性来替代Aik，

其中fik是被替换的那个item经过trm出来的向量，W是映射矩阵，faj是属性trm出来的向量，预测的概率是aj是否是被替换过。

在LTR里面，如果采用的是pairwise的优化方式，那么负采样的技术就至为关键了，而且优化了正样本的概率大于负样本的能力，所以需要选取一种负采样的方法来给我们整个模型的优化带来提升。

MIP里面负采样的方式用的是 IR-GAN 和 ELECT这两篇论文所采用的方式。

改论文选择了SASRec作为第一个阶段的pairwise ranking的模型，这个模型也是论文中用来sample 负样本的模型。负采样是这么做的：我们先用pairwise ranking的方式训练一个模型作为生成器，得到了候选item的概率分布，有了这个概率分布我们就可以拿来负采样了，因为排序高的items跟真实的很接近。至于为什么选择这个模型，论文里面说是因为这个论文在序列推荐任务中的表示特别好，也就是它作为ranking的模型效果还不错。请注意，尽管可以像标准GAN中那样更新生成器，但是我们只训练它的参数一次。 根据经验，我们发现迭代更新带来的改进是有限的。

整个训练分成两个阶段，第一个是预训练阶段，就是训练两个表示学习模型，第二个是微调阶段，学习的是rank loss：

三、请问大家：以“SIG”打头的国际会议有哪些啊？他们是不是都是由ACM举办的呢？

这些都是ACM下SIG分组织 ，他们都有会议，你可以去查看他们的会议信息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中的插值函数 griddata的具体原理是什么呢？可否大概讲解一下！！！

griddata 调用方法：

ZI = griddata(x,y,z,XI,YI)

[XI,YI,ZI] = griddata(x,y,z,XI,YI)

[...] = griddata(...,method)

[...] = griddata(...,method,options)

method 的值 为

'linear' -- 则，以三角形为基础的线性内插

'cubic' -- 则，以三角形为基础的三次方程内插

'nearest' -- 则，用最邻近的点 内插

'v4'-- -- 则，MATLAB 4 格点样条函数内插

默认'linear' 线性内插

三角形为基础，就是按Delaunay方法先找出内插点四周的3个点，构成三角形，内插点在三角形内。然后线性内插，或三次方程内插。

'cubic' 和 'v4' 插值结果构成的曲面较光滑，'linear'和 'nearest' 插值结果构成的曲面不光滑不连续。

前3种方法具体算法见

[1] Barber, C. B., D.P. Dobkin, and H.T. Huhdanpaa, "The Quickhull Algorithm for Convex Hulls," ACM Transactions on Mathematical Software, Vol. 22, No. 4, Dec. 1996, p. 469-483. Available in PDF format at http://www.acm.org/pubs/citations/journals/toms/1996-22-4/p469-barber/.

第4种方法具体算法见

[2] Sandwell, David T., "Biharmonic Spline Interpolation of GEOS-3 and SEASAT Altimeter Data", Geophysical Research Letters, 14, 2, 139-142,1987.

(参考了 MathWorks 主站材料）

以上就是关于acm.org相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

facebook干嘛的（facebook 干嘛的）

Facebook跨境电商合法吗（facebook如何在跨境电商中起作用）

求ChatGPT体验的端口（tracert tcp）

目录表格图片（目录表格图片大全）

熊二要生宝宝了（光头强13集已经死了）