Matrix Factorization で Bayesian Personalized Ranking を用いた implicit feedback の推定はうまくいった - 糞糞糞ネット弁慶
Factorization Machines で Bayesian Personalized Ranking を用いた implicit feedback の推定を行いたかったけどうまくいかなかった - 糞ネット弁慶の続き． 要約 Bayesian Personalized Ranking が諦められない pairwise な loss を考慮した Matrix Factorization で MovieLens 100K を学習・予測すると AUC が 0.8 程度を示した 手法 Matrix Factorization は ユーザ u \in U とアイテム i \in I を行列 X で表し，X を 2 つの密行列に分解 X \approx H W^T に分解する手法． 通常は分解後の行列の積を推定値とし，観測値との誤差を最小化するように分解後の行列の値を更新するが，今回は BPR
プルーフ・オブ・ワークシステム - Wikipedia
プルーフ・オブ・ワーク (proof-of-work、POW) システム (またはプロトコルかファンクション) はサービスのリクエスターに一部の作業を要求(通常はコンピュータによる処理時間を意味する)することでDoS攻撃やネットワーク上のスパムなどの他のサービスの濫用を抑止する経済的手段。コンセプトは1993年のジャーナル記事で示されているようにシンシア・ドワークとMoni Naorによって発明された[1] 。「プルーフ・オブ・ワーク」またはPOWという用語はマーカス・ヤコブソンとアリ・ジュルズによる1999年の論文で最初に造語され、公式化された[2] 。ソロモン諸島の貝貨は通貨に価値を与えるためにプルーフ・オブ・ワークシステムが使われた初期の例である。 これらのスキームの重要な特徴はそれらの非対称性にある：作業はリクエスター側にとって適度に難しい(しかし実行可能)ものでなければならないが
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
