文章目录
- 摘要
- abstract
- 一、代码实践+论文写作
-
- 1.1.数据yelp结果。
- [1.2.消融实验验证定理 1------特征投毒。](#1.2.消融实验验证定理 1——特征投毒。)
- 1.3.文章的完善与修改。
- 总结
摘要
代码实践。
abstract
Code Experiment Practice.
一、代码实践+论文写作
1.1.数据yelp结果。
1.yelp数据的结果。模型性能的与steam类似，没有达到最优，属靠前水平。在 Amazon（特征丰富）：模型全面胜出。
在 Steam（极度稀疏，特征抽象）：模型保住了 15.6% 的大盘，同时把冷启动（Cold-R）拔高到了 48.8%。
在 Yelp（极度稀疏，但有强地理文化先验）：模型保住了近 20% 的大盘，把冷启动拔高到了 71%。
在不破坏主流协同过滤大盘的前提下，极稳定且大幅度地解决冷启动问题，贡献不在于发明了一个多复杂的网络，而在于发现并证明了一种将文化特征无损注入图网络的最佳范式。
1.2.消融实验验证定理 1------特征投毒。
2.消融实验验证定理 1------特征投毒。
补充一个专门的子图，展示模型在训练过程中（Epoch 1 到 100），Variant B 和 Culture-SupCon 隐空间特征向量方差或 L2 范数的变化曲线。用真实的实验数据（即 Variant B 的方差曲线呈指数爆炸，而模型保持平稳）验证定理 1。
在 Amazon-Abo 中，变体 B 的隐空间方差虽然上升，但最终稳定在 0.30 左右。
而在 Yelp 中，变体 B 的方差发生了抛物线式的剧烈爆炸，数值飙升至 1.2 以上。微观方差的指数级暴涨直接摧毁了协同信号的信噪比（SNR），导致 Yelp 的 All-Recall 从基线的 0.1972 灾难性地下降到 0.0491。
1.3.文章的完善与修改。
加了数据统计信息表。
跨数据集帕累托前沿对比 （原消融表和模型演进表）。
然后对文章的内容进行了全面的修改。（各个章节，引用等等）。
最后剩图片，还没有画完，转换成pdf矢量形式。
总结
基础实验部分基本完成，对于论文的修改同时结合原实验部分进行相关的添加。最后剩图片以及部分细节没改完，之后会进行转换语言以及代码的上传。