bjfuthesis (14jun21)

git-svn-id: svn://tug.org/texlive/trunk@59587 c570f23f-e606-0410-a88d-b1316a301751

1 files changed, 2 insertions, 2 deletions

diff --git a/Master/texmf-dist/doc/latex/bjfuthesis/example/thesis.tex b/Master/texmf-dist/doc/latex/bjfuthesis/example/thesis.tex
index c97d0d6aa82..ca60a755e18 100644
--- a/Master/texmf-dist/doc/latex/bjfuthesis/example/thesis.tex
+++ b/Master/texmf-dist/doc/latex/bjfuthesis/example/thesis.tex
@@ -202,7 +202,7 @@ Neo4j是一个具有高性能的图数据库，它将结构化的数据信息储
 \section{涟漪网络}
 本算法基于文献\parencite{wang2018ripplenet}实现，并在其基础上进行了一定的改进：文献\parencite{wang2018ripplenet}中计算用户偏好时并未考虑用户收藏，本文在计算用户偏好时，将用户收藏考虑在内，这在一定程度上缓解了数据稀缺性问题和冷启动问题并改进了推荐性能。
 \subsection{架构}
-涟漪网络的总体架构如图\ref{fig:ripplenet-framework}所示，图上方的知识图谱中展示了由用户交互产生的涟漪。涟漪网络以一个用户$u$和一个电影$v$作为输入，并输出用户$u$与电影$v$之间产生交互的概率。对输入用户$u$而言，其历史交互记录$V_u$是知识图谱中的种子集，而后沿着知识图谱中的关系边形成多个涟漪集$S_u^{k}\ (k=1, 2, \dots, H)$。第k个涟漪集是种子集$V_u$经过$k$跳得到的知识三元组。然后迭代地利用这些涟漪集与电影$v$的嵌入表示（黄色的块）计算出用户$u$对电影$v$的的响应（绿色的块），最后结合得到用户的最终嵌入表示（灰色的块）。最终，利用用户$u$与电影$v$的嵌入表示计算出用户$u$对电影$v$感兴趣的预测概率$y_{uv}$。
+涟漪网络的总体架构如图\ref{fig:ripplenet-framework}所示，图上方的知识图谱中展示了由用户交互产生的涟漪。涟漪网络以一个用户$u$和一个电影$v$作为输入，并输出用户$u$与电影$v$之间产生交互的概率。对输入用户$u$而言，其历史交互记录$V_u$是知识图谱中的种子集，而后沿着知识图谱中的关系边形成多个涟漪集$S_u^{k}\ (k=1, 2, \dots, H)$。第$k$个涟漪集是种子集$V_u$经过$k$跳得到的知识三元组。然后迭代地利用这些涟漪集与电影$v$的嵌入表示（黄色的块）计算出用户$u$对电影$v$的的响应（绿色的块），最后结合得到用户的最终嵌入表示（灰色的块）。最终，利用用户$u$与电影$v$的嵌入表示计算出用户$u$对电影$v$感兴趣的预测概率$y_{uv}$。
 \begin{figure}
 	\includegraphics[width=\textwidth]{figures/ripplenet-framework.png}
 	\bicaption{涟漪网络的总体架构}{The overall framework of the Ripple Network}\label{fig:ripplenet-framework}
@@ -349,7 +349,7 @@ Wide\&Deep\cite{cheng2016wide}是一个结合线性路径的推荐模型。类�
 测试结果如表\ref{tab:acc-auc}中所示，总体上涟漪网络算法的性能最佳，其次是Wide\&Deep算法，说明他们可以充分利用知识图谱中的有效信息来辅助推荐算法。而表现最差的是PER算法，这可能是因为手工定义的元路径在电影推荐方面效果较差。
 \begin{table}
 	\bicaption{在兴趣预测计算中的AUC和准确度}{AUC and ACC in interest prediction}\label{tab:acc-auc}
-	\begin{tabular}{lcl}
+	\begin{tabular}{ccc}
 	 \toprule
 	 算法 & AUC & 准确度 \\
 	 \midrule