问：免费论文查重会泄露吗？
答：免费论文查重不会泄露。
选择论文查重系统时，一定要先看下网站的口碑是否好，这些对于论文的安全性有很大的影响。大家要知道天下没有免费的午餐，所以互联网也不会有完全免费的产品提供大家使用，都是需要时间和成本的。
只能说大部分都是假的，但也有正规知网查重网站的，例如paperfree、papertime、知网、维普等等，都是可以支持检验真伪的。还有一些同学认为知网价格太高，那大家可以申请paperfree论文查重的免费体验，只有亲自使用过才知道到底好不好。
论文查重注意：
复查一般在降重修改结束之后，选用学校制定的查重工具（一般为知网），将修改查重后的论文查一遍满足要求（本科一般30% 研究生15%） 之后就可以提交了。为什么初选不用知网，因为知网太贵三四百一篇，paperpass查一次也就几十块。
答：如果你对互联网上的查重系统不放心，可以去百度学术和360学术上论文查重，里面都是有mf检测机会的呦！
百度查重
360查重
- 答：安全的哦~笔杆论文检测系统遵守相关保密规定，全站使用HTTPS加密协议,文档上传阿里云OSS，支持自主删除，报告加密。绝不收录和泄露您送检文档的任何信息，请放心检测！
- 答：现在的查重软件越来越智能，也有一定的记忆功能，不管是小论文还是篇幅比较大的论文在查重的时候一般都会留下查重痕迹的，第二次查重可能会显示该文章已被查重然后显示第一次的查重时间和结果，但是这些并不影响第二次查重的结果。你在院审前可以使用和学校相似的paperpaper等查重软件先进行查重修改，这样就不会在学校的查重上留下痕迹了。
- 答：看是在哪里查吧 免费的查重也有靠谱的 我用过的 早检测还不错 查过几次都没有问题 而且 七天自动清除查重报告 感觉比较踏实
问：Econ MA,MF,MFE什么意思？
关于留学的一些术语也劳烦赐教
- 答：Econ MA＝Master of Economics=经济学硕士
MF=Master of Finance＝金融硕士
MFE=Master Finance Engineering＝金融工程硕士
以下是补充留学常见词汇：
·A.A/A.S.——Associate in Arts/Associate in Science degree（准文学士/准理学士）：由社区学院（Community College）或专科院校（Junior College）在学生修完两年普通课程后授给的学位。
·Academic Adviser（导师）：在学习上帮助学生并为其提供咨询的教师。他们还在学生选课时程中给予协助。
·Academic Probation（留学察看），一般简称为“probation”（试读以观后效）：学生由于学业成绩不佳，可受留校察看鼾，如果度读一段时间，仍然没有起色（如，分数没有提高），即行开除。
·Acadmic Year（学年）：正常授课期，通常为9月到第二年6月份。各学校自行规定一学年分阶段为两学期（semester)、三学期（trimester），还是四学期（quarter）。
·Acreditation（立案）：由全国都承认的鉴定机构对一个学校我、教育单位和/或其中某个项目的非官方性质的认可。一个学校和教育单位是否立案关系到学生攻读学位期间一个学校我（或单位）的学分能否得到另一个学校（或单位）的承认，也是学生获得专业证书(professional certification)或许可证（licensure）的先决条件。
·Add Card（增选课程证）：一种正式印制（一般是用计算机打印）的卡片，持有此证的学生，在学期的一定期限内，可增选课程。
·Advanced placement or Advanced Standing（免修）：根据学生以前的学习或经历（往往是学生在特设考试中的成绩），允许学生免修某些获得大学本科学位（undergraduate degree）一般必须的课程。
·Advance Registration（提前选课）：提前一个学期选修某些课程。
·Alumna,Alumnus（校友）：曾在同一座学校就学或毕业者均可称校友，前者（alumna）为女性（复数alumnae），后者（alumnus）为男性（复数alumni）。
·Assignment（课外作业）：老师指定，必须在规定期限内完成的课外作业。
·Assistantship（助学金）：向研究生(graduate student）提供的一种不习补助金，获得助理金的研究生必须做某种教学或实验室工作（作为教学助理teaching assistant）或研究工作（作为研究助理research assistant）。
·Audit(旁听):随班听课,不计分数或学分,收费标准和要求一般与正式选课同.
·Bachelor’s degree（学士学位）
·B.A. ——Bachelor of Arts degree（文学士）：高等院校在学生修完四年（个别情况下五年）本科文学艺术或人文科学课程后授给的学位。
·B.S. ——Bachelor of Science degree（理学士）：高等院校在不生修完四年（个别情况下是五年）本科科学、数学或工程技术课程后授给的学位。
·Bulletin（大学情况介绍）：参阅“College Catalog”(大学概况手册）栏目。
·Bursar参阅Treasurer（高等院校的财务主管或司库）栏目。
·Cafeteria（自助食堂）：自助餐厅，由学校或某个私人承包商经营。
·Campus（校园）：大学或学院所在地。
·Carrel（专设桌）：图书馆在书库里为个别读者进行研究提供的阅览桌。
·Cashier（出纳员）：高等院校司库或财务主任办事处中的工作人员，负责所有各项付费事宜。
·Certificate（证明文件）：以合格成绩完成某个通常为期一至两年的特定技术学习项目后所获得的证书。
·Class（班、级或届）：“Class”一词不达意可以有多种解释。（1—）“班”，根据同一课程表在同一讲师或教授指导下上课的一群学生；（2） “级”，同一学年的学生，如一年级（freshman class）、二年级（sophomore class）；（3）“届”，某一特定年份毕业的学生，如“九七届”（“The Class of 1997”）。
·Class Card（听课证）：一种正式颁发的卡证，一般是用计算机打出，持证者得以到某课堂听课。
·Class Rank（年级名次）：表示一个学生学习成绩在毕业年级（graduating class）的排列名次或比率。在由一百名学生组成的年级中排列第一的学生的年级名次为1/100，排列最后则为100/100。年级名次也可以百分比表示，旭前百分这二十五（the top 25 percent）、后百分之五十（the lower 50 percent).
·College（学院）：开设大学本科课程（undergraduate program）的高等学院校，通常为四年制，授予毕业生文、理科学士学位（the bachelor’s degree in the arts or sciences（B.A.or B.S.)。有时，此词也泛指中等教育完成后的所有高等院校。
·College Catalog（大学概况手册）：学院或大学的正式出版物，介绍本校的课程、设施（诸如实验室、学生宿舍等）、入学条件和学生生活。
·Community or Junior College（社区学院或专科学院）：开设两年制课程的高等院校，授给两年制文、理科毕业生准文学士或准理学士学位（associate degree in the arts or sciences(A.A.or A.S.)）或者技术学位（technical degree）。授给学士学位的四年制高等院校通常承认在社区学院或专科院校获得的学分。学习两年制课程的学生一般准备将来从事职业性质的或技术性质的工作。进入社区学院和专科院校通常要求拥有吕学毕业文凭或具有同等学历。
·Conditional Admission（试读）：并不符合全部入学条件而暂准备受入学的学生，在一定期限内给以试读的机会，直到具备录取条件。
·Consortium（大学协作）：几所距离不远的大学和/或学院结成协作关系。学生可以扩大选课范围，共同使用图书馆书填资料，并共享各种教育机构。
·Cooperative Educatipn（合作教育）：一种工作与学习高度结合的项目，学生在某个学年的整个学期以全部时间设入某中，以获取本人专业领域的实践经验。
·Core Curriculum（核心课程、基础课程）：高等院校设置一批各种主题领域的本科课程，作为攻读某还位学生必修的课程，也称“Required Courses”（必修课程）。
·Course（课程）：按预定计划进行的课堂教学，在一个学期中每周安排一至五课时（也可能是五小时以上）。一项授给学位的课程总是非曲直由特定数目的必修课程（Required Courses）和选修课程组成，各校的规定各不相同。学校开设的课程通常都有指定的名称和代号（如数学101），以示区分。
·Course Load（课程负担）：学生一个学期登记选读课程的总数。
·Course Number（课程代号）：指定给某个课程的代号，如“化学103”。
·Cram：考试前最后一段时间集中精力死背硬记，为应付考试而临时抱佛脚。
·Credits（学分）：高等院校用来记录学生完成获得学位所必修的课程（及格或更高分）的单位。各学院或大学的概况手册中都阐述了授给各种学位所要求的学分数和学分种类，并以每门课程“学分”——或“学生课时”、“学分积点”——的多少来说明各门课程的价值。
·Cut（旷课）：未获准的缺课。
·Dean(院长):大学附属的专业研究生院或学院(professional school or college of a university)的院长。系主任（Director of a department）也称作dean。
·Dean’s List（优秀生榜）：系里或院里每个学期公布一份本学期获得优秀成绩的正规本科学生名单，榜上有名者都是优胜一。
·Degrss（学位）：学院、大学或专业研究生院(professional school)：授给完成规定学习课程学生的文凭或学衔。
·Department（系）：学校、学院或大学中根据专业学科划分的行政分支（如英语系、历史系）。
·Discussion Group（研讨组）：学生就教授的讲课内容，与教授或教学助理一起，分组进行讨论。
·Dissertation（博士论文）：就本人原创的研究课题撰写的论文，通常为授与博士学位的最后要求之一。
·Doctorate(Ph.D.)(博士学位）：大学对在获得学士和/或硕士学位后修满至少三年研究生课程，并在口、笔度和以博士论文形式提交的独狼子野心性研究中表现出学术才能的学生颁发的最高学位。
·Dormitories（学生宿舍）：大学或学院校园内专供学生使用的住房设施。一般的学生宿舍包括学生卧室、盥洗室、数人合用的休息室，有时还有自助餐厅。
·Drop Card9休课证）：正式印制的卡证，一般由计算机打出，持有此证的学生可在某个规定时间之前退出某项课程而而不受处罚。
·Dropout（退学生）：离校且在近期内不会有返校学习的意向的学生。
·Electives（选修课）：与必修课相对而言，学生在争取学位时可“自由选择”拿学分的课程。
·English As A Second Language(ESL)：供母语不是英语的人学习用的英语课程。
·Evening College（夜大）：正规学院的分支，主要供已参加工作的成人业余学习大学课程。
·Extracurricular Activities（课外活动）：是学生正常生活的一部分而非正规的课堂教学活动，如：业余体育活动、不家务事社会活动、跳舞、参加俱乐部等。
·Faculty（全体教师）：学校中的全体教师，有时指全体教职员工，负责制订学校开设的课程计划。
·Fees（杂费）：除学费外，学校对提供各项服务的收费。
·Fellowship（研究生奖学金或研究基金）：通常向研究生提供的奖学金或研究基金。
·Final：期终考试或课程终结考试。
·Financial Aid（财政资助）：泛指向学生提供的各种资金、贷款、部分时间工作。
·Foreign Student Adviser(外国学生咨询顾问）：与校方联系，负责在下列方面向外国学生介绍情况并给予指导的人，这些方面为“美国政府规定的各项规章制度，学生签证、学校的各种规章制度、社会习俗、语言、经济或住房问题、旅行计划、保险和某些法律问题。也称作“国际学生咨询顾问”。
·Fraternity（男大学生联谊会）：男大学生参加的社会活动组织，成员通过邀请参加，一般限于本科学生。有时同一联谊会的成员同住一大屋，称为fraternity（or “frat”)house。
·Freshman（一年级生）：高中或大学本科的一年级学生。
·Grade（分数）：对学生学业评价。
·Grade Point Average（平均积分点）：缩写为GPA， 一种根据各科成绩的平均数记录学习成绩的制度，计算时用每门课所获分数乘学分课时。
·Grading Systim（评分制度）：美国的学校、学院或大学一般用字母来表示学生学习成的优劣：A（优）、B（良）、C（中）、D（中下）和F（不及格）。大学本科生升级通常必须获得C可C 以上的成绩，研究生则必须获得B或B 以上的成绩。有时也使用P（通过）、S（尚可）和N（无学分）这样的评分制度，百分制中100分为最高分，70分或65分通常为最低及格线。
·Graduate（毕业生、研究生）：修满高中或大学课程的学生，其中研究生也称Post graduate。大学中的研究生课程通常指为已获得学士学位的学生开设的课程。
·Grant（赠款、补助金、学生定期津贴）：给大学本科学生或研究生的补助金或津贴。
·Grant-in-Aid（助学金）：根据经济情况需要发给学生的补助金，与学业成绩是否优良无关。
·Honor Fraternities（优秀生荣誉组织）：大学中学业成绩优良或服务出色学生的荣誉组织，按希腊字母称呼。
·ID(Identification Card）（身份证）：证明该证持有者是学生的卡片。该证一般由学院或大学校主在注册登记时发给，在校园内外（特别是校内）是证明身份的一种重要方式。
·Incomplete（未完成）：对课程的一种临时评分法，给予成绩虽然全格，蛤学期结束时未能工巧匠完成该门课程学业者。该学生未完成原定的学业，必须说出站得住脚的理由，并且必须在导师规定的期限内补完，否则最终将以“F”或“不及格”评分。
·Independent Study（独立学习）：学生独立学完某特定课程或完成研究课题，从而获得学分。“独立学习”一般都在指导老师监督下进行，往往是对主修科目成绩优良学生的一种嘉奖。
·Interdisciplinary Major（跨学科主修课）：综合学习两种或多种学科或系的不习项目。例如“拉西美洲研究”就必须综合学习历史系、文学系和政治系的课程。
·Junior（三年级生）：高中、学院或大学的三年级学生。
·Leave of Absence（准假）：准许学习成绩优良的学生请假一段时间，然后继续学业。
·Lecture（讲课）：学院和大学课程的普通教授法。教授在由二十名到几百名学生组成的课堂上讲课，辅之以由助教指导的定期小组讨论。
·Liberal Arts（或“Liberal Arts and Sciences”，或“Arts and Sciences”）（文理科）：泛指人文学科（语言、文学、哲学、艺术）、社会科学（经济学、社会学、人类学、历史学、政治学）和自然科学（数学、物理、化学）各学科。
·Loan（贷款）：给学生预支一定数额的款项，以便他们能够完成学业，要求学生离校后以现金或劳务逐步偿还。
·Lower Divesion（低年级）：大学本科一、二年级。
·Major（主修科目）：学生集中攻读的科目或专业领域。大学本科生通常在头两年学习文理科普通课程，然后再选择一门主修科目。
·Master’s Degree（硕士学位）：高等院校向在获得学士学位后修满至少一年课程并达到一定学术要求的学生颁发的学位。
·Matriculate（录取）：由大学或学院正式招收入学。
·Mid-term（期中考试）：学期中间举行的考试。
·Minor（副修科目）：学生学习时集中攻读程度仅次于主修科目的学科或专业领域。
·Multiple-choice Exam（多项选择测验）：一种形式的试题，每个问题后均附有两个或两个以上的答案，学生必须从中选择一个正确答案。
·Non-matriculated student（不拿学位的学生）：大学或学院的学生，入学时即明确不拿学位，又称“non-degree”student。
·Nonresident（非本地居民）：在拥有分立大学或学院的州或城市不符合本地居民条件的学生。公立大学或学院对本地居民和非本地居民所收的学费以及所采取的录取办法可能有所不同。外国学生通常归类为非本地居民，以后也几乎没有可能改为本地居民身份以减少学费。多数公立学校不允许持学生护照的外国学生归类为本地居民学生。
·Open-book Exam（开卷考试）：允许学生参考教科书的考试。
·Oral Exam（口试）：教授口头提出问题、学生口头回答问题的考试，换句话说，用口头而不是书面答题。
·Pass/Fail Grading System：只记“通过”satisfactory(“pass”）或者“不通过”unsatisfactory（“fall”）不记成绩等级的评分法。
·Placement Test（安置考试）：测验学生某一学科的学术能力，以便安排学生上该学科适当课程，有时可根据这种考试的成绩给予学生学分。
·“Prelims”（预试）：“Preliminary Test”的缩写。由一教授委员会主持的口试，考生必须通过这一考试才有资格攻读博士学位。“预试”主要是评估考生对他攻读博士学位的学科领域具备何种知识水平。
·Prerequisites（先修科目）：学生在学习更高一级课程之前必须修完项目或课程。
·Probation（试读）：参阅“Academic Probation”（留校察看）栏目。
·Professor Emeritus（荣誉教授）：有时授予退休老师的一种学衔（academic title）.
·Professional School（专业研究生院）：专门攻读工商管理、医科、牙科、法律之类专业的研究生院。
·Quarter（一学年四学期制的学期）：为时十至十二周。
·Quiz（测验）：收面或口头小型测验，不象考试那样正式。
·Recommendation,Letter of (也称“Personal Recommendation”,“Personal Endorsement”或“Personal Reference”（推荐信）：由了解申请人品质、学习水平、工作水平的教授或雇主撰写的评价申请人资格的信。
·Registrar（教务主任）：保存学生学业记录（academic records)的学校行政负责人。
·Registration（注册选课）：选择本学期要上的课程。
·Required Courses（必修课程）：学生为获得特定学位所必须学习并取得合格成绩的课程。
·Research Paper（研究论文）：收面报告，阐述研究成果和独创见解。
·Residence Hall（学生宿舍）：与“Dormitories”同义。
·Scholarship（大学本科生奖学金）：通常向大学本科生提供的一种奖学金形式的经济资助，可以是免修学费和/或学杂费。
·Semester（一学年两学期的学期）：为时十五至十六周，通常相当于半学年。
·Seminar（研讨课）：专供大学本科四年级生和研究生学习的一种小组教学形式，把独立研究与教授指导下的课堂讨论结合起来。
·Senior（四年级生）：高中、学院或大学的四年级学生。
·Sign-up Sheet（报名单）：登记参加某项活动的一种非正式办法。对某项活动感兴趣的人可在一张专用名单上签名（“signup”）表示参加。
·Social Security Number（SSN）（社会保险号码）：美国政府为个人编写的号码，用于在其工资中扣除老年、遗眷和残疾保险费，同时也用于有关的税款事宜。任何有固定工作的人或有银行帐户的人都必须有这样一个号码。许多学校把社会保险号码作为鉴定学生身份的号码。
·Sopomore（二年级生）：高中、学院或大学的二年级生。
·Sorority（女大学生联谊会）：女大学生参加的社会活动组织，成员一般限于本科学生。有时同一联谊会的成员同住一屋。
·Take-home Exam（课外考试）：学生可把试题拿回家或宿舍完成的书面考试。
·Test（考试）：也即Examinatipn。任何衡量学生学习进燕尾服情况的程序。
·Thesis（论文）：学士学位或硕士学位候选人撰写的、包含某一特定课题研究成果的书面文章。
·Transcript（成绩单）：记载学生所学课程名称、学分数和每门课程最后分数的经证明的学业 清单。正式的成绩单还写明授与学位的日期。
·Trimester（一学年三学期制的学期）：为时十六周，每学年可分为时间大致相等的三个学期。
·True-false Exam（是非题考试）：一种形式的试题，答案写在考卷上，学生只需标明 “对”或“错”即可。
·Tuition（学费）：学校对教学和培训的收费（不包括书费）。
·Undergraduate（大学本科生）：高中毕业后进入学院或大学，尚未获得学位的人。
·Unit（学分）：与“Credit”同。
·University（大学）：通常由一所或一所以上四年制颁发学士学位的学院（undergraduate college），一所颁发硕士和博士学位的文理科研究生院（graduate school of arts and science）和一些专业研究生院（graduate professional school）组成的高等学府。
·Upper Division（高年级）：大学本科三、四年级。
·Withdrawal（休学）：休课或离开学校。
·Zip code（邮区编码）：邮寄地址中表明收信人在美国哪个邮区的一系列数字（或是五个、或是九个）。
问：论文笔记之Neural Collaborative Filtering？
- 答：文中指出虽然之前有一些工作使用deep learning来解决推荐问题，但这些工作基本上使用deep learning来对辅助信息建模，对于协同过滤的关键信息——user和item的交互信息，之前的工作仍然使用矩阵分解(MF)，将users和items映射到一个共享的隐空间，然后对users和items的latent feature做内积。
用神经网络结构代替内积操作，可以从数据中学到任意函数，基于此本文提出了NCF模型(Neural network-based Collavorative Filtering)。本文专注于利用隐反馈信息(implicit feedback, 如浏览、点击等行为;explicit feedback指评分、评论等行为)。
有M个users, N个items。user-item交互矩阵Y(M * N维，反应了用户的隐反馈信息)定义为，
yu,i = 1只能说明用户u和物品i有交互，并不能说明用户u喜欢物品i；同样的，yu,i = 0不能说明用户u不喜欢物品i。
在这种情况下，观察到的数据至少能从一定程度上反应用户的兴趣，而未观察到的数据只能视为missing data，这就导致了负反馈的缺乏。
隐反馈推荐问题就是要估计Y中未观测物品的score，然后以此来对物品排序。(再次强调，这种应用场景下，对于以点击或浏览的物品是不知道用户是否喜欢的)
问题可以描述为学习下式，
y^u,i为交互yu,i的预测score，Θ为模型参数，f为映射函数。
文中提到优化目标参数，一般有两种目标函数：pointwise loss和pairwise loss。pointwise loss通常用于回归框架，最小化y^u,i和yu,i的squared loss。对于缺乏negative data问题，将所有的未观测数据视为负反馈，或者从未观测数据中采样negative instances。
pairwise learning中，观测到的数据应该排在未观测数据的前面，因此最大化y^u,i和yu,i的边界。
NCF支持pointwise和pairwise learning两者。
pu表示用户u的latent vector，qi表示物品i的latent vector，MF使用pu和qi的内积来估计y^u，
K表示latent space的维度。MF可以看作是latent factor的线性模型。
上图说明了MF的局限性。对于user-item矩阵(a)，u4与u1最相似，接下来是u3，最后才是u2。而在latent space (b)中，使p4更靠近p1会使p4更靠近p2而不是p3，这会增大ranking loss。
可以增大K来解决这个问题，但会降低模型的泛化能力，可能导致过拟合。
本文使用深度神经网络来学习这种交互关系。
最底下的input layer包括两个特征向量，分别描述用户u和物品i，它们可以根据具体问题具体定制。在本文中，用户u和物品i的one-hot作为输入。
上面是embedding layer，采用全连接，将稀疏的input映射成稠密的embedding(user和item的embedding都是k维)。
user和item的embedding向上进入全连接的神经网络结构，称为neural collaborative filtering layers，将latent vector映射成预测的score。(对于不同的问题，这里的每一层layer也是可以定制的)
layer X的维度决定了模型的capability。
通过最小化y^u,i和yu,i的pointwise loss来训练模型。(文中提到另一种训练模型的方法，使用pairwise learning，比如使用Bayesian Personalized Ranking和margin-based loss，但文中后面部分使用的是pointwise loss)
整个预测模型可以表示为，
P(M * K维)和Q(N * K维)分别表示users和items的latent factor matrix，Θf为模型参数。
f被定义为一个多层神经网络，因此可以表示为，
φout表示输出层映射，φx表示第x层的映射，共X层。
大多数的pointwise方法将损失函数定义为，
y表示Y中观测到的交互关系集合，y-表示负样本集合(可以是所有的未观测交互，也可以是从中采样的一部分)。wui是一个超参数，表示实例(u,i)的权重。使用squared loss可以解释为假设观测数据由一个高斯分布产生。
本文指出，对于implicit data，这种方式并不是特别合适。因为在implicit data中，目标值yu,i是binary的，表示用户u是否和物品i产生过交互。
本文提出了一种针对于implicit data的binary性质的损失函数。
用yu,i表示物品i与用户u相关，0表示不相关，预测score y ^ u,i表示物品i和用户u相关的程度。y ^ u,i的值在[0,1]之间，因此在output layer可以用sigmoid。
于是，定义likelihood为
损失函数为
(其实就是交叉熵)
用SGD进行优化。
对于负样本y-，在SGD的每次迭代中从未观测的数据中均匀采样，采样的数量与观测数据的数量相关。(文中提到一些非均匀采样策略可能会有更好的表现)
从NCF的角度来解释MF。pu表示用户u的embedding，qi表示物品i的embedding。将NCF的第一层定义为哈达玛积
然后将得到的向量映射到输出层
aout表示激活函数，h表示权重向量。如果令aout为identity function(即y=x)，令h为全1的向量，那么就得到了MF模型(相当于对pu和qi求内积)。
在NCF的框架下，MF可以被泛化和拓展。比如令h由数据学到，或者令aout为非线性函数。
文中，作者提出了GMF(Generalized Matrix Factorization)模型，令aout为sigmoid函数，令h从数据中学到，并使用log loss。
文中指出整合user和item的latent feature，如果仅仅是简单的concatenate(向量stacking)，或者像GMF中那样，使用固定的element-wise product(哈达玛积)，不能充分反映两者的交互关系。因此，文中提出在concatenate后，用MLP来学习它们的交互关系。
可以看到，第一层简单的把两者stacking起来，之后由MLP来进行特征整合，最后将整合得到的向量和每一维的权重向量h(由模型学习得到)相乘，再做sigmoid得到输出。
文中提出tower pattern的效果比较好，即下面的hidden层单元多，上面的hidden层单元少。文中使用的是，每上去一层，减半hidden层中的单元数。
考虑将GMF和MLP结合起来，更好的对复杂的user-item关系建模。
最简单最直接的方式就是让GMF和MLP共享同一个embedding layer，然后将两者的output结合起来。举个例子，结合GMF和一层MLP的模型如下
然而，让GMF和MLP共享embedding可能会限制融合模型的表现。比如说，这隐含了GMF和MLP必须有相同size的embedding。对于一些数据集，可能两者选择各自合适的embedding size会更好，这时候这种组合方式就不能够获得特别好的表现了。
为了能够更加灵活的结合两个模型，我们让GMF和MLP学习各自的embedding，结合两个模型通过整合各自最后的hidden layer。
pGu表示GMF部分的user embedding，pMu表示MLP部分的user embedding。
qGi表示GMF部分的item embedding，qMi表示MLP部分的item embedding。
在MLP部分，使用relu作为激活函数。
该模型结合了MF的线性和DNN的非线性，作者给其起名为NeuMF(Neural Matrix Factorization)。
模型参数的学习可以用标准的back-pop。
NeuNF的目标函数是非凸的，因此基于梯度的优化方法只能找到局部最优解。文中提出通过预训练GMF和MLP来初始化NeuMF。
首先随机初始化GMF和MLP来训练，直到收敛，然后用这些模型参数来初始化NeuMF中的相关部分。在output layer，整合两个模型的权重为
hGMF和hMLP分别表示预训练的GMF和MLP模型中的h。α是一个超参数。
具体的，预训练GMF和MLP时，使用了Adam，将模型参数输入到NeuMF做fine-tuning时，用SGD(因为Adam需要动量信息，而做完预训练后只保留了参数，没有保留动量相关信息)。
问：【转载】推荐系统论文整理和导读？
答： 此前整理过KDD21上工业界文章，本文主要整理和分类了Recsys 2021的Research Papers和Reproducibility papers。按照推荐系统的 研究方向 和使用的 推荐技术 来分类，方便大家 快速检索自己感兴趣的文章 。个人认为Recsys这个会议重点不在于”技术味多浓”或者”技术多先进”，而在于经常会涌现很多 新的观点 以及 有意思的研究点 ，涵盖推荐系统的各个方面，例如，Recsys 2021涵盖的一些很有意思的研究点包括：
还有些研究点也是值得一读的，比如推荐系统中的 冷启动 ， 偏差与纠偏 ， 序列推荐 ， 可解释性，隐私保护 等，这些研究很有意思和启发性 ，有助于开拓大家的 研究思路**。
下面主要根据自己读题目或者摘要时的一些判断做的归类，按照 推荐系统研究方向分类 、 推荐技术分类 以及 专门实验性质的可复现型文章分类 ，可能存在漏归和错归的情况，请大家多多指正。
信息茧房/回音室(echo chamber)/过滤气泡(filter bubble) ，这3个概念类似，在国内外有不同的说法。大致是指使用社交媒体以及带有 算法推荐功能 的资讯类APP，可能会导致我们 只看得到自己感兴趣的、认同的内容 ，进而让大家都活在自己的 小世界里 ，彼此之间 难以认同和沟通 。关于这部分的概念可参见知乎文章： https://zhuanlan.zhihu.com/p/71844281。有四篇文章探讨了这样的问题。
此次大会在探索与利用上也有很多探讨，例如多臂老虎机、谷歌的新工作，即：用户侧的探索等。
涉及排序学习的纠偏、用户的偏差探索等。
Debiased Explainable Pairwise Ranking from Implicit Feedback
Khalil Damak, Sami Khenissi, and Olfa Nasraoui
Mitigating Confounding Bias in Recommendation via Information Bottleneck
Dugang Liu, Pengxiang Cheng, Hong Zhu, Zhenhua Dong, Xiuqiang He, Weike Pan, and Zhong Ming
User Bias in Beyond-Accuracy Measurement of Recommendation Algorithms
Ningxia Wang, and Li Chen
利用图学习、表征学习等做冷启动。
Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders
Guillaume Salha-Galvan, Romain Hennequin, Benjamin Chapus, Viet-Anh Tran, and Michalis Vazirgiannis
Shared Neural Item Representations for Completely Cold Start Problem
Ramin Raziperchikolaei, Guannan Liang, and Young-joo Chung
涉及离线或在线评估方法，准确性和多样性等统一指标的设计等。
Evaluating Off-Policy Evaluation: Sensitivity and Robustness
Yuta Saito, Takuma Udagawa, Haruka Kiyohara, Kazuki Mogi, Yusuke Narita, and Kei Tateno
Fast Multi-Step Critiquing for VAE-based Recommender Systems
Diego Antognini and Boi Faltings
Online Evaluation Methods for the Causal Effect of Recommendations
Masahiro Sato
Towards Unified Metrics for Accuracy and Diversity for Recommender Systems
Javier Parapar and Filip Radlinski
涉及session维度的短序列推荐；使用NLP中常用的Transformers做序列推荐的鸿沟探讨和解决，这个工作本人还挺感兴趣的，后续会精读下！
结合联邦学习做隐私保护等。
Black-Box Attacks on Sequential Recommenders via Data-Free Model Extraction
Zhenrui Yue, Zhankui He, Huimin Zeng, and Julian McAuley
Large-scale Interactive Conversational Recommendation System
Ali Montazeralghaem, James Allan, and Philip S. Thomas
EX3: Explainable Attribute-aware Item-set Recommendations
Yikun Xian, Tong Zhao, Jin Li, Jim Chan, Andrey Kan, Jun Ma, Xin Luna Dong, Christos Faloutsos, George Karypis, S. Muthukrishnan, and Yongfeng Zhang
Towards Source-Aligned Variational Models for Cross-Domain Recommendation
Aghiles Salah, Thanh Binh Tran, and Hady Lauw
利用视觉信息做推荐。
Ambareesh Revanur, Vijay Kumar, and Deepthi Sharma
Huiyuan Chen, Yusan Lin, Fei Wang, and Hao Yang
探讨了美食场景下，多用户意图的推荐系统的交互设计。
“Serving Each User”: Supporting Different Eating Goals Through a Multi-List Recommender Interface
Alain Starke, Edis Asotic, and Christoph Trattner
涉及传统协同过滤、度量学习的迭代；新兴的图学习技术、联邦学习技术、强化学习技术等的探索。
Matrix Factorization for Collaborative Filtering Is Just Solving an Adjoint Latent Dirichlet Allocation Model After All
Florian Wilhelm
Negative Interactions for Improved Collaborative-Filtering: Don’t go Deeper, go Higher
Harald Steck and Dawen LiangProtoCF: Prototypical Collaborative Filtering for Few-shot Item Recommendation
Aravind Sankar, Junting Wang, Adit Krishnan, and Hari Sundaram
知识图谱的应用以及图嵌入技术和上下文感知的表征技术的融合，这两个工作个人都挺感兴趣。
Antonio Ferrara, Vito Walter Anelli, Tommaso Di Noia, and Alberto Carlo Maria Mancino
Marco Polignano, Cataldo Musto, Marco de Gemmis, Pasquale Lops, and Giovanni Semeraro
涉及训练、优化、检索、实时流等。
Jeremie Rappaz, Julian McAuley, and Karl Aberer
Reproducibility papers可复现实验性质的文章，共3篇。分别探索了：序列推荐中的 采样评估策略 ；对话推荐系统中 生成式和检索式的方法对比 ； 神经网络 推荐系统和 矩阵分解 推荐系统的对比。
通过论文的整理和分类，笔者也发现了一些自己感兴趣的研究点，比如：推荐系统的回音室效应探讨文章；Transformers在序列推荐和NLP序列表征中的鸿沟和解决文章：Transformers4Rec；图嵌入表征和上下文感知表征的融合文章；NCF和MF的实验对比文章；
