中文版 | English

在结果中检索

CASIA OpenIR
（本次检索基于用户作品认领结果）

浏览/检索结果: 共6条，第1-6条 帮助

限定条件            
已选(0)清除 条数/页：   排序方式：
Cross-Modal Subspace Learning via Pairwise Constraints 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2015, 卷号: 24, 期号: 12, 页码: 5543-5556
作者:  Ran He(赫然);  Man Zhang;  Liang Wang;  Ye Ji;  Qiyue Yin;  Ji, Ye
浏览  |  Adobe PDF(2205Kb)  |  收藏  |  浏览/下载：419/114  |  提交时间：2016/01/18
Multi Modal  Pairwise Constraint  Subspace Clustering  
Unconstrained Multimodal Multi-Label Learning 期刊论文
IEEE TRANSACTIONS ON MULTIMEDIA, 2015, 卷号: 17, 期号: 11, 页码: 1923-1935
作者:  Huang, Yan;  Wang, Wei;  Wang, Liang
浏览  |  Adobe PDF(3011Kb)  |  收藏  |  浏览/下载：483/210  |  提交时间：2016/01/18
Multi-label Learning  Multi-task Learning  Multimodal Learning  Restricted Boltzmann Machine  
Multiple Attribute Aware Personalized Ranking 会议论文
Proc. Asia Pacific Web Conference, Guangzhou, China, 2015
作者:  Weiyu Guo;  Shu Wu;  Liang Wang;  Tieniu Tan
Adobe PDF(504Kb)  |  收藏  |  浏览/下载：231/105  |  提交时间：2017/02/25
PARTIALLY TAGGED IMAGE CLUSTERING 会议论文
In Proceedings of the International Conference on Image Processing (ICIP), 2015, Québec, Sep. 27-30
作者:  Yin, Qiyue;  Wu, Shu;  Wang, Liang
浏览  |  Adobe PDF(574Kb)  |  收藏  |  浏览/下载：244/98  |  提交时间：2016/10/24
Image Clustering  Multi-view Clustering  Sparse Coding  
Personalized Semantic Ranking for Collaborative Recommendation 会议论文
In Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR), 2015, Santiago, August 9-13
作者:  Xu, Song;  Wu, Shu;  Wang, Liang
浏览  |  Adobe PDF(969Kb)  |  收藏  |  浏览/下载：185/88  |  提交时间：2016/10/24
Learning To Rank  Recommendation  User-generated Content  
Adaptive Pairwise Learning for Personalized Ranking with Content and Implicit Feedback 会议论文
In Proceedings of the 2015 IEEE/WIC/ACM International Conference on Web Intelligence (WI), 2015, Singapore, December 6-9
作者:  Guo, Weiyu;  Wu, Shu;  Wang, Liang;  Tan, Tieniu
浏览  |  Adobe PDF(361Kb)  |  收藏  |  浏览/下载：333/118  |  提交时间：2016/10/24
Personalized Ranking  Adaptive Sampling  Pairwise Learning