本周学习内容：
1.学习使用 OpenCV-Python 解决图像方面的问题：
注：此部分仅使用库中的相关函数对图像进行处理，只是代码实现的过程，对于其中的原理并未进
行研究，只是使用 cv2 对图像进行处理，十分方便。有些部分也对比了 OpenCV 和 Numpy 中的
不同实现。
1.1 使用 OpenCV-Python 对图像处理
使用 OpenCV-Python 完成对图像的：
几何变换
扩展缩放
平移 旋转 仿射变换 透视变换 .
图像阈值
简单阈值
自适应阈值 Otsu’s 二值化 Otsu’s 二值化是如何工作的？
图像平滑
平均 高斯模糊 .中值模糊 .双边滤波
形态学转换 腐蚀
膨胀
开运算 闭运算 .形态学梯度 .礼帽 黑帽 .形态学操作之间的关系
图像梯度 Sobel
算子
Scharr 算子 Laplacian 算子
Canny 边缘检测 原理
噪声去除 计算图像梯度
非极大值抑制 滞后阈值 .OpenCV
中的 Canny
边界检测
.
图像变换
傅里叶变换 Numpy 中的傅里叶变换
OpenCV 中的傅里叶变换
1.2 使用 OpenCV 进行机器学习简单算法实现
K 近邻（k-Nearest Neighbour ）理解 K 近邻 OpenCV 中的 kNN 使用 kNN
对手写数字
OCR 手写数字的
OCR 英文字母的 OCR
支持向量机 理解
SVM .线性数据分割 非线性数据分割
使用
SVM 进行手写数据 OCR
K 值聚类 理解 K
值聚类 它是如何工作的？ OpenCV
中的
K 值聚类
理解函数的参数.仅有一
个特征的数据 颜色量化
2.知识图谱基础知识学习
注：此部分学习主要是了解知识图谱的相关概念，知识图谱的构建流程
Neo4J 下载安装和基本使
用，为阅读知识图谱的相关文献做准备。
图（Graph）是由节点（Vertex）和边（Edge）来构成，多关系图一般包含多种类型的节点和多种类
型的边。实体（节点）指的是现实世界中的事物比如人、地名、概念、药物、公司等，关系（边）则
用来表达不同实体之间的某种联系，比如人-“居住在”-北京、张三和李四是“朋友”、逻辑回归是
深度学习的“先导知识”等等。
构建知识图谱的过程：实体命名识别（Name Entity Recognition）
关系抽取（Relation Extraction）
实体统一（Entity Resolution）
指代消解（Coreference Resolution）
3 文献阅读 A Survey on Knowledge Graph-Based Recommender
Systems
注：本篇综述还未阅读完，基于 KG 的推荐系统对 KG 的应用有三种方式:基于
Embeddig 的
方法(The embedding-based method) 基于路径的方法(The path-based method) 联合的方
法(The unified method) 我目前只看了本文中提到的第一种方法 基于 Embeddig 的方法(The
embedding-based method) 对基于 Embeddig 的方法(The embedding-based method)
所涉及的 14 中方法进行了学习，对他们的方法有了一定的了解。
推荐系统的目的旨在为 user (用户) 推荐一个（或一系列）未观测的 item (物品，电影，新闻等)。
近段时间，基于知识图谱的推荐系统(KG-based recommendation system, KGRS)引起研究者
的广泛兴趣，主要是把知识图谱作为辅助信息整合到推荐系统中，这样的做法带来两个方面的优势，
其一是能够提高推荐系统的准确性，其二是能够为推荐系统提供可解释性。本文是 2020 年针对知识
图谱作为辅助信息用于推荐系统的一篇综述。知识图谱对于推荐系统不仅能够进行更精确的个性化推
荐，而且对推荐也是具有可解释性的，有迹可循。
论文汇总了近些年来知识图谱辅助推荐系统的一些研究工作，并按不同的方法进行划分类别(下图是
我根据论文画出的大纲方法类别图)；除此之外，汇总了不同场景下的知识图谱数据集，涵盖 7 个场
景；最后阐述了未来的一些可研究方向及趋势。
embedding-based methods – 基于嵌入的方法
知识图谱的学习表示学习，直接把 KG 编码成低秩嵌入，即是用向量来表知识图谱中的节点也关系，
这里分为两类：类 1：translation distance models：TransE [99], TransH [100],TransR [101], TransD [102]；
类 2：semantic matching models：DistMult [103]
另外，根据 KG 是否包含 users 来分类,可以分为两类:
第一类（item graph），KGs 只使用 items 数据与它相关属性来构建，这个目的用 item graph 来
进行学习，输出 item 的向量表示。
第二类（ user-item graph），users,items，这些相关属性构成 graph 的节点。属性层关系与用
户关系看成是图的边。
上面都是直接使用已学习结构知识原始的隐向量，最近提出了提练实体、关系表达的推荐。
多任务
4.学习收获
通过论文的研读和对于知识图谱 KG 的了解，感觉知识图谱在推荐系统中的应用还是特别有前景的。
首先：知识图谱可以用来存储复杂的信息，一图胜千言。<实体 关系 实体> <实体 属性 实体>通过
三元组将 user 和 item 进行连接，对于如何精确推荐，不同的算法给出了不同的解决策略，比如利
用侧边信息，多任务学习等方法。对于嵌入表达中，大部分都会加入一些用户辅助信息进来，有些嵌入表达直接在原图谱表达，有些还要经过第二步的提炼；有些联合多任务来训练。对于论文的研读还
没有完全进行，最后学完再进行细致的归纳总结。
对于 OpenCV-Python 的学习，主要是 Opencv 在图像处理方面具有显著的优势，也通过代码看
着图片经过平滑 锐化 边缘特征提取后的一些图片。这个库调用使用还是比较方便的对于图形处理。
也可以用来机器学习的 K 邻近 KNN K-means 等目前对于这部分只是简单了解使用一下。
5.下周学习计划
继续完成论文后半部分的阅读
巩固复习学习机器学习深度学习的相关知识
学习知识图谱的相关知识
跟随视频使用 Neo4J python 环境等完成一个知识图谱小型问诊系统案例的搭建
A Survey on Knowledge Graph-Based Recommender相关推荐
- RippleNet:Propagating User Preferences on the KnowLedge Graph for Recommender Systems PPT讲稿
PPT下载链接:RippleNet 没有c币的小伙伴可以用下面的百度盘下载 链接: https://pan.baidu.com/s/1aOL7lZfaw34eE_RU7GM2lA 密码: w0hm 如 ...
- [实体对齐综述]A benchmark and comprehensive survey on knowledge graph entity alignment via representation
基于表示学习的知识图谱实体对齐的基准和综合综述 Rui Zhang, Bayu Distiawan Trisedya ,Miao Li, Yong Jiang Jianzhong Qi VLDB Jo ...
- [论文阅读笔记17]A Survey on Knowledge Graph-Based Recommender Systems
一,题目 TKDE 2020 A Survey on Knowledge Graph-Based Recommender Systems 综述:基于知识图谱的推荐系统 In IEEE Transact ...
- 知识图谱论文阅读（十三）【2020 arXiv】Attentive Knowledge Graph Embedding for Personalized Recommendation
题目: Attentive Knowledge Graph Embedding for Personalized Recommendation 论文链接: 代码链接: 知识图谱特征学习在推荐系统中的应 ...
- RKGE Recurrent Knowledge Graph Embedding for Effective Recommendation 论文
Paper-RKGE [ Recurrent Knowledge Graph Embedding for Effective Recommendation ] Abstract 关于KG应用于推荐,现 ...
- Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph论文笔记
原文章:Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph (ICDE ' ...
- 《knowledge graph embedding：a survey of approaches and applications》论文阅读
发表于TKDE 2017. knowledge graph embedding:a survey of approaches and applications abstract 1. introduc ...
- 知识图谱论文阅读（十五）【arxiv】A Survey on Knowledge Graph-Based Recommender Systems
论文题目: A Survey on Knowledge Graph-Based Recommender Systems 论文链接: 论文代码: 想法 出现Refine就是用某些方法更好的优化特征表示 ...
- 学习Knowledge Graph Embedding Based Question Answering代码笔记
前言 最近被导师安排学习一下[Knowledge Graph Embedding Based Question Answering] 这篇paper,这篇paper的重点在于运用了Knowledge ...
- 论文学习2-Incorporating Graph Attention Mechanism into Knowledge Graph Reasoning Based on Deep Reinforce
文章目录 摘要 介绍 相关工作 方法 Mean Selection Rate (MSR) and Mean Replacement Rate (MRR Incorporating Graph Atte ...
最新文章
- 基于i.MX RT1060的可编程视觉模块
- 免费在线阅读：用于计算机视觉、机器学习、机器人的线性代数丨资源
- 对多态变形引擎背后方法的概述
- python教程怎么抓起数据_介绍python 数据抓取三种方法
- 判断js变量是否定义,
- oracle数据库之数据导入问题
- 吴颖二：12.27 午评 地缘政治一波未平一波又起，千三可到？
- ElasticSearch wildcard查询（英文检索）
- 从源码分析RocketMQ系列-RocketMQ消息持久化源码详解
- 编译linux源码,linux源码树编译
- cmos和ttl_【转】CMOS与TTL电路的区别
- JS实现 EventBus
- Mybatis缓存模块（一）BlockingCache
- java mvc controller_java之spring mvc之Controller配置的几种方式
- qt通过http连接mysql_Azure Database for MySQL 连接安全-（3） Private Endpoint
- 带叉叉的GridView
- ArcGIS 字段计算器保留一位小数和获取字段长度
- [转]HashMap,LinkedHashMap,TreeMap的区别
- c++ 字符串_C/C++字符串大总结(一)
- phpStudy + JspStudy 2014.10.02 下载
热门文章
- 数学知识(一)-有理数
- 温习古文之生于忧患，死于安乐
- css中flex设置为1是什么意思
- 水平居中和transform: translateY(-50%) 实现元素垂直居中效果
- Flutter 竖线 垂直分割线
- storm风暴英雄 tempo_Tempostorm战队攻略：新版本下的终结者天赋
- 我理解的二极管工作原理
- CIFAR-10数据集目录结构以及数据组织格式
- Linux文件补全功能,Linux系统自动补全命令有哪些
- Android 应用程序无响应（ANR）报错原因
