本周關鍵詞：推薦系統、3D模組化、BERT
本周最佳學術研究
新一代推薦系統實驗工具
如果你關注推薦系統，那麼python版的LensKit推薦系統引擎庫（LKPY）可能會引起你的興趣。這是一個開源工具包，可用于建構、研究及學習推薦系統。
2010年LensKit 的Java版本首次釋出，目前該工具已經應用于各種研究的發表、小規模生産部署以及線上（MOOC）和線下（傳統教室）教育中。
在本文中，美國博伊西州立大學的研究人員提出了LensKit for Python項目，将原始工具重新建構為靈活易用的Python插件，用于推薦系統研發。
Python版的LensKit（LKPY）使研究人員和學生能夠利用強大且不斷發展的PyData和Python科學生态圈（包括scikit-learn，TensorFlow和PyTorch），建構健壯、靈活且可重複的實驗系統。
原文：
https://arxiv.org/pdf/1809.03125v3.pdfPython的度量學習算法
Metric-learn是一個開源Python庫，包含幾種流行的有監督和弱監督度量學習算法的高效Python實作。
作為scikit-learn-contrib的一部分，metric-learn提供了一個與scikit-learn相容的統一接口，可以很友善地與其他機器學習庫進行交叉驗證、模型選擇和串聯。Metric-learn遵從MIT許可，并已在PyPi上進行了全面測試。
github連結：
https://github.com/scikit-learn-contrib/metric-learn https://arxiv.org/pdf/1908.04710v2.pdf3D卷積神經網絡的移動端加速架構
目前，許多移動終端都配備了強大的高端移動CPU和GPU，這使得它們逐漸成為深度學習的重要平台。
本文介紹了RT3D，一種用于3D CNN（卷積神經網絡）的移動端加速架構，它由兩個新型且适用于移動裝置的結構化稀疏方案（Vanilla和KGS）和最佳修剪算法組成，并且有一個編譯器輔助的代碼生成架構将對網絡的修剪轉化為性能的提升。
評測結果顯示，RT3D擊敗了兩個最先進的加速架構，加速高達29.1倍。這是RT3D首次在150 毫秒内預測16個視訊幀，即通過純軟體解決方案在現成的移動裝置上實作3D CNN的實時預測。
https://arxiv.org/abs/2007.09835v1用于結構化3D模組化的大型逼真資料集
研究人員建立了一個大型的Structured3D綜合資料集，其中提供了21835個房間地面詳細真實的3D結構批注，和超過196k的2D渲染。
他們引入了統一的“原始+關系”的表示方法，這使他們能夠有效地捕獲各種各樣的半全局或全局的3D結構，及其互相關系。該資料集可用于訓練深層網絡以進行房間布局預測，并在公共基準上證明其性能得到改善，此資料集也可能有益于圖像合成。
研究人員認為這項工作是建構智能機器重要且令人振奮的一步，該機器可以實作人類水準的整體3D場景了解。
他們将繼續為資料集添加更多場景和對象的3D結構注釋，并探索使用資料集的新方法，以推進用于結構化3D模組化和了解的技術。
項目網站:
https://structured3d-dataset.org/ https://arxiv.org/pdf/1908.00222v3.pdf使用BERT的會話系統生成産品标題
一組研究人員研究了在标簽有限的情況下，為大型電子商務目錄裡的産品生成簡明，文法正确的語音标題的問題。
在本文中，他們提出了一種使用BERT從輸入Web标題生成簡短、自然、口頭化的标題序列到序列方法。即使在資料極其有限的情況下，他們仍通過名額和人工評估了4種不同的基準。
他們在現實世界的行業資料集上進行了廣泛的實驗，并對模型輸出進行了人工評估，結果表明，BERT彙總優于可比較的基準模型。
基于豐富的使用者中繼資料，來生成不同使用者細分的個性化标題，并将Web資料與可能依賴于産品的其他産品屬性結合在一起，是擴充此工作的一些方向。
https://arxiv.org/abs/2007.11768其他爆款論文
用于R和Python的高維資料分析的稀疏學習庫：畢加索項目：
https://arxiv.org/abs/2006.15261v1自動單眼3D狗重建的端到端方法：誰把狗拒之門外？
https://arxiv.org/pdf/2007.11110v1.pdf一種新的訓練程式，可以減少3D檢測任務所需的3D标簽工作量：
https://arxiv.org/pdf/2004.02693v2.pdf從單個2D偏振圖像估計穿衣的人體形狀的問題：
https://arxiv.org/pdf/2007.09268v1.pdf學習資源
深度學習：
https://lme.tf.fau.de/teaching/free-deep-learning-resources/使用PyTorch進行深度學習：
https://mc.ai/top-5-free-resources-to-learn-deep-learning-with-pytorch/65個最好的深度學習課程：
https://www.classcentral.com/subject/deep-learningAI大事件
亞馬遜為Alexa開發者推出了一系列新功能：
https://www.zdnet.com/article/amazons-new-tools-for-alexa-developers-hints-at-whats-next-for-the-voice-assistant/人工智能降低了使用者體驗，但這一定是壞事嗎？
https://www.zdnet.com/article/artificial-intelligence-drives-new-user-experiences/![筆試面試題目：滑動視窗(二)[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)