大楼空调水管系统之基本分类
但是，这个现实也使得我的设计者很担心。（P18）
adrenaline: n
更换润滑油时限：
然而，在剥夺了睡眠的小鼠中，这一模式出现了变化，尽管mRNA的周期性变化在很大程度上未受影响，但几乎所有蛋白质的日常节律都失去了。
R-134A
GNN 有多重不同的架构，本文基于图卷积神经网络（Graph convolutional networks）结构的 GNN 来处理属性化的多重异构网络，同时利用了个性化的 PageRank 方案。对于社会化推荐系统来说，项目、用户和社会关系构成了节点和边类型多样的复杂网络。单纯地将传播方案直接应用到异构图中，可能会导致对具有优势的边缘的偏差训练。本文提出的 HCP 能够独立地传播每种边类型的邻域，然后将最终的节点表示与注意力模型相结合。
尽管当时我还年轻，但是我能简化一些复杂的数学题。（P18）
i.挨饿前：体内葡萄糖充足
探探、今日头条的feed流、微博的feed流
图4-21为当凝结器位于冷却水塔下方时的旁路配管。
……
本文由 @黑桃A 原创发布于人人都是产品经理。未经许可，禁止转载。
Our fur is being used to make sweaters for people like you. 我们的毛被用来为像你一样的人们制作毛衣。（P26）
空调水管之布置原则
When I find a millipede insect, I rub it over my body.当我发现一种千足虫，便把它擦在身上。（P26）
Please take me to a distant land where I can find the animal that gave fur to make this sweater. 请带我到遥远的地方，在那里我可以发现为制作这件毛衣而提供毛绒的那种动物。（P26）
No other countries could join in, nor could slaves or women!
So even the olive wreath has been replaced!因此就连橄榄枝花环也被取代了！（P10）
可是……生酮饮食中的碳水化合物没办法提供那么多葡萄糖呀！这么一来，身体则必须从别的物质（比如氨基酸）合成葡萄糖，也就是糖异生作用。
本篇文章是满满的纯理论和营养干货
（这也是为什么咱们不希望胰岛素高啊，因为肚肚上的肥肉就是这么来的呀！T.T）
我们再计算一下当前网络的偏导数∂L/∂w1：
2019 年 9 月 16 日至 20 日，第 13 届 ACM Conference on Recommender System（RecSys）在丹麦哥本哈根召开。作为推荐系统的顶会，RecSys 一如既往受到了业界的广泛关注。与其他机器学习会议相比，RecSys 一向重视解决实际的问题，即结合在实际应用场景中推荐系统性能提升、效果提高等问题提出设计策略和算法解决方案等。随着深度学习研究的进一步深入，深度学习在推荐系统中的应用依然是研究热点之一，本次会议中图神经网络（Graph Neural Network，GNN）、经典深度学习模型都有所应用及改进。本文从中选取三篇，进行针对性的分析：
原文地址：
https://arxiv.org/abs/1907.06558?context=stat.ML由于对于偏移分布中的每一个正分布都能观察到 FN，即 b(y=1|x)≤0.5 和 p)y=1|x≤1，该分布始终有效。
本文在在线和离线实验中均使用随机梯度下降优化算子（stochastic gradient descent，SGD），学习速率为 0.02，衰退速率 0.000001，批处理大小为 128，延迟反馈损失学习速率为 0.005，延迟反馈模型的 L_2 正则化参数为 2。广度-深度模型中 4 层模型大小为 [400,300,200,100]，中间层使用 ReLu 激活函数。权重参数使用 Glorot 优化。
对于离线指标实验中的内部数据，使用线下 Twitter 4 天的数据。评估过程是基于第二天的数据进行的。由于仅有一小部分广告提供了用户点击功能，数据标签的严重不平衡给算法带来了很大难度。为解决这一问题，本文的训练设置中将负样本减少到原始数据集的 5%，并且在损失函数中对负样本采用更高的权重。经过上述处理，训练样本约为 6.68 亿条视频广告，而测试数据为 700 万条广告。
基于 Criteo 公开数据库的离线实验结果在表 1 中。使用延迟反馈损失函数产生的 RCE 最高（17.32），其次是 FN 校准损失函数（RCE 为 17.29），与 Log 损失的 RCE 持平。使用 PU 损失函数的结果最差，且在不同循环轮次实验中效果也最不稳定。实验结果表明，延迟反馈损失函数更适合于简单的 pCTR 模型（例如 Logistic 回归）和较少的训练样本。对于复杂的广度-深度模型则需要更稳健的解决方案，例如应用重要样本抽样策略等。
表 1. 基于公共 Criteo 数据的线性模型的离线结果。
表 2. Twitter 数据的 Logistic 回归模型离线结果
表 3. Twitter 数据的广度-深度模型离线结果
表 4 给出使用最优损失函数的广度-深度模型结果。应用 FN 加权损失函数和 FN 校正损失函数的 RPMq 值均高于传统的对数损失函数（分别提升了 55.10% 和 54.37%）。
表 4. 广度-深度模型以及性能最佳的损失函数（Twitter 数据）的在线结果
原文地址：
https://arxiv.org/abs/1908.02569?context=stat对于一个异构图 G，节点映射函数为ϕ : V → O，边映射函数为ψ : E → R。Ar 表示包含类型为 r 的边的邻域矩阵。Aˆr 表示 Ar 的对称规范化邻接矩阵。将节点划分为不同种类：X1,X2, …,X|O|，分别应用预测神经网络 Hi=f_i(Xi)，将结果连接起来得到：H =[H1,H2, …,H|O |]。HGP 使用具有附加可学习权重的非线性传播来学习深度节点表示：
其中，查询、键和值是相同的，只是基于不同的权重矩阵相乘。然后，HGP 将 Y′_i 的所有行连接起来，并将其传递给线性层，生成第 i 个节点的表示向量 z_i。在本文提出的社会化推荐系统的应用中，计算用户和项目表示之间的点积相似性来预测 CTR
图 1. 应用于社会化推荐系统的 HGP 的示意结构。HGP 为每种边缘类型独立地传播邻域，然后将最终的节点表示与注意力模型相结合。本文计算用户和项目表示之间的点积相似度来预测 CTR。
数据库：本文使用从大型社交网络收集的数据库，包含组、用户和项目三种节点类型。当用户属于同一组，则组和用户节点相连。与传统图中组所有用户都连接的方式比较，组节点有效地减少了边的数量和路径的复杂性。当用户与项目有交互行为时，项目和用户节点相连接。数据库中共有 1645279 个节点连接 4711208 个边。使用 BERT 和 VGG16 提取视觉语言属性的高级特征。利用线性嵌入层将分类属性转化为密集特征。最后，聚合所有特征来表示节点。使用前 11 天的数据作为训练集，随后 2 天的数据作为验证集，最后 4 天的数据作为测试集。
表 1. 对比模型的性能比较。连字符「-」表示由于结果存在较大方差，无法得到稳定的性能。
对比实验结果见表 1，由实验可知，PR-AUC 和 F1 值与 ROC-AUC 成正比。不使用节点属性的 metapath2vec 无法完成 CTR 预测。HGP 的性能优于 FastGCN，这是由于 FastGCN 存在过平滑问题，不适用于异构图。HGP 性能优于其他异构图网络模型。此外，HGP 的验证损失能够在半天内收敛，因而能够满足实际应用场景中推荐系统所需的服务模型日常更新的要求。
图 2. 不同传播步骤下的 HGP 性能比较
原文地址：
https://arxiv.org/abs/1908.05544传播过程中收集到的数据包含大量未过滤的原始数据。为了得到有用信息，需要通过相似性进行数据过滤。从对等设备接收到数据后，设备开始执行过滤过程。首先，基于相似数据对比发送方和接收方的相似度；第二，如果对等相似度高于 k-最高值，则基于 k-最相似对等设备的对等首选项列表和邻域首选项列表对邻域首选项列表进行重新采样；第三，基于本地可用的数据运行推荐算法，以获得新的或更新以前生成的推荐评级结果。
表 1. 不同传输范围的连接成功率
e. 平均初始连接延迟：测量两个设备的初始连接延迟，即在建立连接之前所需的时间。为保证成功连接，设备之间距离为 1 米，连接是通过不同的应用程序实现的（待连接设备的 ID 不在缓存中）。平均连接延迟为 25.9 秒，最小连接延迟为 11 秒，最大连接延迟为 41 秒。
表 2. 预连接的平均电池消耗（广播和发现）
实验结果表明，本文提出的传播-过滤策略在大规模评分数据和多设备交互的情况下，以及在诸如地铁等没有互联网连接的地区，都可以可靠工作。当然，该策略目前还存在一定的局限性。首先，数据的可靠传输半径为 6 米，这一方面加强了隐私保护，另一方面却限制了能够共享数据的潜在对等设备的数量。第二，平均初始连接延迟（25.9 秒）过长，这就造成了经过的行人之间，或在红绿灯处等待、在咖啡馆或餐厅中彼此相邻或乘坐公共交通工具等场景中该策略都不适用。第三，电池的耗电量相对较高，每小时至少耗电 5%，这就造成无法持续广播和发现。