Zobrazeno 1 - 10
of 282
pro vyhledávání: '"Zhao, Feipeng"'
Autor:
Zhao, Feipeng1 (AUTHOR) 13244538010@163.com, Ma, Xin'ao1 (AUTHOR) mxa13188921810@163.com, Yang, Jianfeng1 (AUTHOR) 15176703037@163.com, Wei, Zhiying1 (AUTHOR) wzy1374976073@163.com, Li, Jiaxuan1,2 (AUTHOR) lijiaxuan.1993@163.com, Jiang, Yanping1,2 (AUTHOR) jiangyanping8198@163.com, Cui, Wen1,2 (AUTHOR) cuiwen@neau.edu.cn, Shan, Zhifu1,2 (AUTHOR) shanzhifu@126.com, Tang, Lijie1,2 (AUTHOR) shanzhifu@126.com
Publikováno v:
Animals (2076-2615). Aug2024, Vol. 14 Issue 15, p2168. 16p.
Autor:
Yu, Jie, Cai, Wenke, Zhou, Tao, Men, Bo, Chen, Shunqiong, Tu, Dong, Guo, Wei, Wang, Jicui, Zhao, Feipeng, Wang, Yan
Publikováno v:
In Biochemistry and Biophysics Reports December 2024 40
Autor:
Hu, Yang, Fu, Jiamin, Xu, Jiabin, Luo, Jing, Zhao, Feipeng, Su, Han, Liu, Yu, Lin, Xiaoting, Li, Weihan, Kim, Jung Tae, Hao, Xiaoge, Yao, Xiaozhang, Sun, Yipeng, Ma, Jinjin, Ren, Haoqi, Yang, Mingrui, Huang, Yining, Sun, Xueliang
Publikováno v:
In Matter 6 March 2024 7(3):1018-1034
Dissertation/ Thesis
Autor:
Zhao, Feipeng
Top-N recommender systems automatically recommend N items for users from huge amounts of products. Personalized Top-N recommender systems have great impact on many real world applications such as E-commerce platforms and social networks. Sometimes th
Externí odkaz:
http://hdl.handle.net/20.500.12613/3937
Publikováno v:
In Journal of Energy Chemistry January 2023 76:233-238
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Previous models for learning entity and relationship embeddings of knowledge graphs such as TransE, TransH, and TransR aim to explore new links based on learned representations. However, these models interpret relationships as simple translations on
Externí odkaz:
http://arxiv.org/abs/1710.08502