• 学术相关
  • Revenue Maximization and Learning in Product Ranking
  • Learning user preferences in livestreaming market: A graphical model considering temporal effect
    • Matrix Factorization (补充)
  • Replicator dynamics and behavior-augmented multiscale epidemic modeling
• 技术技巧
  • Learning Prompting

学术相关

Revenue Maximization and Learning in Product Ranking ¹

Learning user preferences in livestreaming market: A graphical model considering temporal effect ²

Matrix Factorization (补充)

在推荐系统中，用户与商品之间的交互数据（如评分、点击、购买等）通常表示为$m\times n$的系数矩阵$R$

• $m$ 为用户数量
• $n$ 为商品数量
• $R_{i,j}$ 表示用户$i$对商品$j$的交互数据

矩阵分解的核心目的是将高维系数矩阵$R$分解为两个低维稠密矩阵的乘积，从而挖掘交互的潜在特征

$R\approx P\times Q^T$

• $P \in \mathbb{R}^{m \times k}$ 为用户隐因子矩阵，每行$p_u$表示用户$u$的隐因子向量
• $Q \in \mathbb{R}^{n \times k}$ 为商品隐因子矩阵，每列$q_i$表示商品$i$的隐因子向量
• $k$ 为隐因子的维数，通常远小于$m$和$n$
• $r_{ui}\approx p_u^Tq_i$ 为用户$u$对商品$i$的评分$

该方法擅长处理（适度）稀疏矩阵，常用于显示评分预测，隐式反馈推荐，具有较强的泛化能力和可解释性；缺点是存在冷启动问题，计算复杂度高，超参数敏感

Replicator dynamics and behavior-augmented multiscale epidemic modeling ³

技术技巧

Learning Prompting

一个比较全面的提示词学习网站

• Previous
  【阅】本周阅读摘选2026-01-05 → 2026-01-11