发布时间：
板框过滤机的优点是结构简单、制造容易、设备紧凑、过滤面积大而占地面积小、操作压力高、滤饼含水量少、对各种物料的适用能力强，缺点是间歇操作，劳动强度大，生产效率低。适用于间歇操作的场合
过滤时,悬浮液温度低,粘度大,过滤速度慢.液体的粘度是温度的指数函数,它随温度的升高而明显下降.升温是降低粘度最简单而有效的措施,但温度过高,易使油脂氧化,毛油过滤温度一般不超过70度
开始滤布表面没有附着滤饼，所以开始滤液会浑浊，新滤布的话，会更明显。实验数据的第一点，你指什么？如果滤浆一样，滤布一样，进料压力一样的话，应该会准确的。理论上滤液浓度越大过滤过程会越快，但出来的滤液不会多。一般压力越大，过滤速度会越快，但都是有限度的，所以过滤压力不可能无限度的加大，再说物料不一样，加大压力的过滤速度效果就不一样。说的不对之处，请批评！
板框式压滤机优点：结构较简单，操作容易，运行稳定，保养方便;过滤面积选择范围灵活，占地少;对物料适应性强，适用于各种中小型污泥脱水处理的场合。
板框式压滤机缺点：滤框给料口容易堵塞，滤饼不易取出，不能连续运行，处理量小，工作压力低，普通材质方板不耐压、易破板，滤布消耗大，板框很难做到无人值守，滤布常常需要人工清理。
适用场合：结合他们的优缺点分析得出板框压滤机适用于间歇操作的场合
板框过滤机的优点是结构简单、制造容易、设备紧凑、过滤面积大而占地面积小、操作压力高、滤饼含水量少、对各种物料的适用能力强，缺点是间歇操作，劳动强度大，生产效率低。适用于间歇操作的场合
板框压滤机工作原理:板框压滤机用于固体和液体的分离。与其它固液分离设备相比,压滤机过滤后的泥饼有更高的含固率和优良的分离效果。固液分离的基本原理是:混合液流经过滤介质(滤布),固体停留在滤布上,并逐渐在滤布上堆积形成过滤泥饼。而滤液部分则渗透过滤布,成为不含固体的清液。随着过滤过程的进行,滤饼过滤开始,泥饼厚度逐渐增加,过滤阻力加大。过滤时间越长,分离效率越高。特殊设计的滤布可截留粒径小于1_m的粒子。压滤机除了优良的分离效果。
1:板框压滤机按照工作方式可分为手动式板框压滤机、全自动板框压滤机、半自动板框压滤机;板框压滤机亦可以按其重要组成元素--滤板来区别，常见的有聚丙烯板框压滤机、橡胶板板框压滤机等。
2:压滤机根据是否需要对滤渣进行洗涤，又可分为可洗和不可洗两种形式，可以洗涤的称可洗式，否则称为不可洗式。可洗式压滤机的滤板有两种形式，板上开有洗涤液进液孔的称为有孔滤板(也称洗涤板)，未开洗涤液进液孔的称无孔滤板(也称非洗涤板)。可洗式压滤机又有单向洗涤和双向洗涤之分，单向洗涤是由有孔滤板和无孔滤板组合交替放置;双向洗涤滤板都为有孔滤板，但相邻两块滤板的洗涤应错开放置，不能同时通过洗涤液。
一.手动板框式压滤机分别由滤框、滤布、滤板和滤板滤布组成的过滤部件和对过滤部分进行压紧(手轮、千斤顶)的机架部件，止推板端各孔，分别为进料孔，进洗涤液孔，滤液排出集液孔，洗涤液排出集液孔等。根据您选用的压滤机型号接装管路。
二.液压压紧板框式压滤机由主机(机架和滤室)、液压部件和电气等部分组成。
板框式压滤机优点：结构较简单，操作容易，运行稳定，保养方便;过滤面积选择范围灵活，占地少;对物料适应性强，适用于各种中小型污泥脱水处理的场合。
板框式压滤机缺点：滤框给料口容易堵塞，滤饼不易取出，不能连续运行，处理量小，工作压力低，普通材质方板不耐压、易破板，滤布消耗大，板框很难做到无人值守，滤布常常需要人工清理。
适用场合：结合他们的优缺点分析得出板框压滤机适用于间歇操作的场合
这个概念经常在机器学习的文章中看到，但由于接触不久，所以一直都是一知半解，没有好好了解过。 首先从字面上理解，“协同”需要一个“集体“，“过滤”就应该是晒选的意思，那么协同过滤总的来说就是通过“集体”来“筛选”，以评分推荐系统为例子，这里的“协同”我个人理解就是集合”众多人的评价”，这里的“评价”，就是“对集体都接触过的事物进行打分”，这样大概就能通过一些共同的事物反应出用户不同的”价值观“，然后通过这样的价值观来”筛选“出价值观高度相似的人，再相互推荐共同都喜爱的东西。那么这样的推荐就很有可能是大家都需要的。 经过资料洗礼过后，得知cf现在的两大方向，一种是以记忆为基础（Memory-base）,另一种是基于模型（Model-based Collaborative Filtering）。 普及的比较多的前者，它基于关注的目标，又分为基于用户的协同过滤和基于项目的协同过滤，上面举的一个简单的评分推荐系统的例子就可以说是基于用户的协同过滤，它是通过用户对共同物品的“主观价值”来筛选相似用户，再互补评分高的商品，从而达到推荐商品的目的；那么基于项目的意思就是通过这个用户集体对商品集的评价，在物品的角度上去寻找相似度高的物品，达到推荐商品的效果。虽然针对的目标不通，但以我个人理解，大体上都是依赖这个用户集营造的“价值观”，只不过区别在于，基于用户的CF是“关心”各个用户的“主观价值”上的“区别”，而基于项目的CF则是要基于这整个用户集对项目集的“普世价值观”，来甄别出“物品”上的差异。不知道这么比喻恰不恰当哈，“普世”我这边理解就是“大多数”，是一种整体趋势的意思。价值观比较“抽象”的话，再直接点这里的“价值观”就相当于物理中的“参考系”。 但是以上两种方法在面对，不是每个用户对大多数商品都做出过评价（数据稀疏）时就无能为力，所以基于这个问题就引导出了基于模型（Model-based ）的CF，我在最近的论文中接触到的就是一个“矩阵分解”的协同过滤，它能够基于现有的数据得到一个模型，再用此模型进行推荐。那么是如何做到的呢？接下来看看矩阵分解。 假设我先在有一个关于用户对音乐评分的矩阵如下图： 只有上述的数据是很难使用户相互推荐音乐的，因为可以看出用户本身听过的歌就不够多，那么如何使数据更加“饱满”呢？这时正是需要矩阵分解的时候，矩阵分解算法的数学理论基础是矩阵的行列变换。行列变换中又有以下规则，我们知道矩阵A进行行变换相当于A左乘一个矩阵，矩阵A进行列变换等价于矩阵A右乘一个矩阵，因此矩阵A可以表示为A=PEQ=PQ（E是标准阵）。 形象的表示如下图： 矩阵分解的目的就是把一个稀疏的用户评分矩阵分解成用户因子矩阵和项目因子矩阵相乘的形式R=U(转置)*I，我们的目的就是最后再让两个因子矩阵反乘回去得到饱满的用户评分矩阵。那么这个用户,项目因子是个什么东西呢？我们接着上面的音乐评分的形式说，一首歌可能包含多种音乐风格，我们可以量化风格，体现各种风格在一首歌中的比重，那么这里的“潜在因子”我们就可以当作“音乐风格”，K个因子就可以看作K种风格。譬如下图： 可以说，这些因子就是我们的模型中的重要参数，个人理解分解出来的这两个因子矩阵就可以说是基于模型的CF中的，“模型”的了，其实我觉得可以类比线性模型中的参数，我们的回归模型最终重要的不就是公式中的各项参数吗，这两个因子矩阵其实就是我们这个模型中的重要参数，参数知道了模型也就求出来了。如果不了解线性模型可以参考吴恩达大大的机器学习课程，里面介绍的很详细，不像我这边一知半哈。 那么这些个值具体是怎么得出来的呢？过程和求线性回归也很像，接下来就是相关的简单推倒，首先，我们假设，真实的用户评分和我们预测评分的差遵循高斯分布 R用是评分矩阵 U是用户因子矩阵，V是项目因子矩阵 接下来就是极大似然估计，使，在现有数据下概率最大化 类比求线性模型，就能够了解思想很相似，所以应该同样是运用了似然估计的思想，要使值最大，式子两边同时取对数，可以看到，如果要使概率最大，那么公式的第一项就要最小，是不是想到了什么，没错接下来就可以看到最小二乘法的式子。 线性模型我们遇到这个情况一般怎么做，没错，就是梯度下降。首先求偏导数最后就是梯度下降的矩阵因子更新公式： 接下来迭代到自己设置的阈值收敛就能得到局部最优解了。 下面是我根据上述矩阵分解的思想随机的模拟实践，可以自行感受一下准度，可能写搓了点～ 注释：以上诸多图片材料来自网上多篇博客文章 还有方便实用sklearn的中文API文档
[TOC]
本文是《写给程序员的数据挖掘实践指南》的一周性笔记总结。主要涵盖了以下内容：
所谓推荐系统就是系统根据你的行为操作为你推荐你可能想要的其他物品。这在电商平台、音乐平台、资讯推送平台等多有见到。而协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息。其推荐基础是用户评分。这里可以分为两种用户评分，即显式评分与隐式评分。显式评分即日常见到的为物品打分，如对喜好音乐评级等；隐式评分是通过对用户行为的持续性观察，进而发现用户偏好的一种方法，如新闻网页中的推送你经常阅读过的相关内容等。两种评分方法都有自己的问题。
总体来说，协同过滤其运作机制也可以分为两种：
基于用户的推荐是指通过用户的行为偏好，划分相似用户。在相似用户群体之间互相推送一方喜欢而另一方未有过的物品。核心在于相似用户群体的划分。这种推荐方法有自己的局限：
基于用户的过滤其核心是用户群体的划分，其实也就是分类。
这里的距离函数包括三种：曼哈顿距离和欧氏距离。这里以二维举例，更多维情况下类推即可。
两距离函数可以一般化为：
其中，当r=1时，函数为曼哈顿距离；当r=2时，函数为欧氏距离。
算法实现：
在算出距离函数后，通过比对目标用户与所有用户群体的偏好，找到最近邻的用户并给予推荐。
基于用户距离的推荐有一个明显的问题，就是用户评分体系的差异。比如评分极端的用户给喜欢的评最高分，给不喜欢的评最低分；而有些用户倾向于不出现极端评分。即所谓“分数贬值”( Grade Inflation )问题。这种问题的存在可能让基于距离的评分产生偏差。皮尔逊相关系数可以缓解这种问题。
原皮尔逊相关系数公式在实际运用的时候会出现多次迭代的问题，影响计算效率，这里给出了近似公式：
皮尔逊相关系数的用户判断依据不是单纯的用户距离，而是用户的评分一致性：取值在[-1, 1]之间，越接近1则表示两用户的评分一致性越好；反之则反。 python实现：
基于用户推荐的过程中，另一个存在的问题就是由于大部分人的喜爱物品集合的交集过少，存在大量计算值为0的feature的情况。即所谓 稀疏性 问题。一个较容易理解的例子是对书本内容的挖掘。余弦相似度会忽略这种0-0匹配。 余弦相似度：
python实现：
如此多的评估系数，如何进行抉择呢？根据数据特征：
另外值得考虑的一点是，目前为止的推荐都是基于单用户的。即对一个用户的推荐系统只是基于另一个用户。这会存在一些问题。比如虽然虽然两者相似度很高，但是另外一个人有一些怪癖，怪癖的推荐就是不合理的；又比如，在相似度极高的情况下，你不能确定统一账户下的操作是同一个人做出的或者说操作行为是为了用户自身。比如用户考虑购买某件商品作为礼物送给别人，这就是基于别人喜好的购买行为，这种推荐也是不合适的。 对这种问题的解决可以使用群体划分的方法。原理与单用户类似，但是用户的匹配是k个。在这k位最优匹配的用户之间，以相似度的大小为依据设定权重作为物品推荐的条件。此即协同过滤的k近邻。
正如前面提到的基于用户的推荐有复杂度、稀疏性的问题，而基于物品的过滤则可以缓解这些问题。所谓基于物品的过滤是指，我们事先找到最相似的物品，并结合用户对物品的评级结果来生成推荐。前提是要对物品进行相似度匹配，找到一种算法。
这里的调整是指为了减轻用户评分体系的不一致情况（抵消分数贬值），从每个评级结果中减去该用户所有物品的平均分的评级结果。
其中，U表示所有同时对i， j进行评级过的用户的集合。 表示用户u给物品i的评分减去用户u对所有物品的评分的平均值。
在得到所有物品的余弦相似度后，我们就可以通过该指数预测用户对某件物品的偏好程度。方法就是所有相似物品的相似度乘以得分的总和。
其中p（u, i）指的是用户u对物品i评分的预测值。N是用户u的所有评级物品中每个和i得分相似的物品。这里的相似指的是矩阵中存在N和i的一个相似度得分。 是i和N之间的相似度得分。 是u给N的评级结果。公式较好运行的条件是 取值在（-1， 1）之间，这里就要使用归一化概念。
另一种常用的基于物品过滤的算法就是 slope one 算法。它的大概原理是预测用户u对产品j的评分时，预先计算包含所有物品的两物品偏差表；根据u的已评价的所有物品评分与该物品和产品j的偏差（ ）之和并乘以所有对此两类物品有过评分的用户个数，一一加总，除以所有同时对产品i与u评价过的所有物品有过评分的用户的人数，得到得分。公式如下：
其中， ； 是利用加权s1算法给出的用户u对物品j的预测值。 指的是对所有除j之外u打过分的物品。
python实现：
在前面两节中，基于物品和基于用户的过滤其前提都是用户需要对已有的item进行评分。而实际上，如果一个新的item出现，由于缺乏别人的偏好，他永远不会被推荐。这就是推荐系统中所谓的—— 冷启动 问题。基于用户评价的系统就会出现这种问题。 冷启动 问题的解决方案之一就是 基于物品属性的过滤 来进行推荐：对物品自身的属性进行归纳总结，并以此进行物品推荐。基于物品属性的过滤存在一个问题同样是量纲的不统一。如果量纲不统一极端值将会对推荐系统造成大麻烦。解决方法也很简单：归一化。此章使用的是z-评分。 使用z得分也存在问题，就是极易受到离群值的影响。这里可以使用 改进的标准分数 来缓解这个问题：
什么时候可以进行归一化呢？
这里用曼哈顿距离举例基于物品属性的过滤：
在上一章最后一节对于用户是否喜欢某件item的判别中，实际上包含了分类器的思想：分类器就是利用对象属性判定对象属于哪个组或类别的程序。这里简单用另一个小项目来说明。
简单来说就是根据运动员的某些指标来判断这位运动员属于什么类别的运动员。
准确率有。
论文： 论文题目：《Neural Graph Collaborative Filtering》 论文地址： 本论文是关于图结构的协同过滤算法，在原始的矩阵分解和基于深度学习的方法中，通常是通过映射描述用户（或物品）的现有特征（例如ID和属性）来获得用户（或物品）的嵌入。从而利用user和item的embedding进行协同召回。但是作者认为这种方法的固有缺点是：在user与item的interaction数据中潜伏的 协作信号（collaborative signal） 未在嵌入过程中进行编码。这样，所得的嵌入可能不足以捕获协同过滤效果。 让我们一起来看一下本论文是怎么利用数据中潜伏的协作信号的吧。 推荐算法被广泛的运用在各个领域中，在电商领域，社交媒体，广告等领域都发挥着至关重要的作用。推荐系统的核心内容就是根据用户以前的购买和点击行为来评估用户对一个物品的喜爱程度，从而针对每个用户进行个性化推荐。协同过滤算法认为历史行为相似的用户之间的兴趣是相同的，所以给用户推荐的是同类型用户的爱好，也就是UserCF，而ItemCF给用户推荐的是跟历史行为相近的物品。 传统的协同过滤方法要么是基于矩阵分解，要么是基于深度学习的，这两种方法都忽略了一个非常关键的信息---user和item交互的协作信号，该信号隐藏在user和item的交互过程中。原始的协同过滤方法忽略了这种信息，所以在进行user 和 item representation时就不足以较好的进行embedding。 本论文通过将用户项交互（更具体地说是二分图结构）集成到embedding过程中，开发了一个新的推荐框架神经图协同过滤（NGCF），该框架通过在其上传播embedding来利用user-item图结构。这种方法在用户项目图中进行高阶连通性的表达建模，从而以显式方式将协作信号有效地注入到embedding过程中。 在介绍模型之前先来讲解一下什么是useritem interaction以及什么是高阶的useritem interaction。 我们先看左边的图，这个图就是useritem interaction，u1是我们待推荐的用户，用双圆圈表示，他交互过的物品有i1，i2，i3。在看右边这个树形结构的图，这个图是u1的高阶interaction图，注意只有l > 1的才是u1的高阶连接。观察到，这么一条路径，u1 ← i2 ← u2，指示u1和u2之间的行为相似性，因为两个用户都已与i2进行了交互。而另一条更长的路径，u1←i2←u2←i4暗示u1可能会点击i4，因为他的相似用户u2之前已经购买过i4。另一方面，用户u1在l = 3这一层会更倾向于i4而不是i5，理由是i4到u1有两条路径而i5只有一条。 当然这种树结构是不可能通过构建真正的树节点来表示的，因为树模型比较复杂，而且结构很大，没法对每个用户构建一个树，这样工作量太大了。那么怎么设计模型结构可以达到跟这个high-order connectivity的效果呢，这个就要运用到神经网络了。通过设计一个embedding propagation layer来表示这种embedding 在每个层之间的传递。 还是拿上面那张图举例子，堆叠两层可捕获u1←i2←u2的行为相似性，堆叠三层可捕获u1←i2←u2←i4的潜在推荐以及信息流的强度（由层之间的可训练权重来评估），并确定i4和i5的推荐优先级。 这个跟传统的embedding是一样的，都是对原始的userID和itemID做embedding，跟传统embedding不同的地方是，在我们的NGCF框架中，我们通过在用户-项目交互图上传播embedding来优化embedding。 由于embedding优化步骤将协作信号显式注入到embedding中，因此可以为推荐提供更有效的embedding。 这一层是本文的核心内容，下面我们来进行详细的解读。 从直观上来看，用户交互过的item会给用户的偏好带来最直接的依据。类似地，交互过某个item的用户可以视为该item的特征，并可以用来衡量两个item的协同相似性。 我们以此为基础在连接的用户和项目之间执行embedding propogation，并通过两个主要操作来制定流程：消息构建和消息聚合。 Message Construction(消息构建) 对于连接的user-item对(u,i)，我们定义从i到u的消息为： 其中ei是i的embedding，eu是u的embedding，pui是用于控制每次传播的衰减因子，函数f是消息构建函数，f的定义为： 其中W1和W2用来提取有用的embedding信息，可以看到W2控制的i和u直接的交互性，这使得消息取决于ei和eu之间的亲和力，比如，传递更多来自相似项的消息。 另一个重要的地方是Nu和Ni，pui = 1/ 。Nu和Ni表示用户u和item i的第一跳邻居。 从表示学习的角度来看，pui反映了历史item对用户偏好的贡献程度。 从消息传递的角度来看，考虑到正在传播的消息应随路径长度衰减，因此pui可以解释为折扣因子。 Message Aggregation 聚合方法如下 ： 其中 表示在第一嵌入传播层之后获得的用户u的表示。激活函数采用的是leakyrelu，这个函数适合对pos和neg信号进行编码。 另一个重要的信息是 ,它的定义如下： 这个信息的主要作用是保留原始的特征信息。 至此，我们得到了 ，同样的方法，我们也能获得 ，这个都是first order connectivoty的信息。 根据前面的计算方式，我们如果将多个Embedding Propagation Layers进行堆叠，我们就可以得到high order connectivity信息了： 计算方式如下： 当我看到这里的时候，我的脑子里产生了一个大大的疑惑，我们在计算第l层的eu和ei时都需要第l-1层的信息，那么我们怎么知道ei和eu在第l层是否存在呢？也就是说出现u侧的总层数l大于i侧总层数的时候，我们如何根据第l-1层的ei来计算第l层的e呢？经过思考，我感觉应该是这样的，训练样本应该是一条path，也就是这个例子是u1 ← i2 ← u2 ← i4这条path，所以可以保证u1跟i4的层数l是一样的，所以不存在上面那个层数不匹配的问题。 ps:看到后面的实验结果才知道L是固定的所以每一层都不会缺失。 还有一个就是，不同层之间的W是不一样的，每一层都有着自己的参数，这个看公式就知道，理由就是我们在提取不同层信息的时候需要不同的W进行信息提取。 另一个疑惑是pui到底是不是每一个l层都一样？这里看公式好像就是指的是第一跳的Nu和Ni进行就计算的结果。 这部分内容是为了在进行batch训练的时候进行矩阵运算所推导的数学过程，其实跟之前我们讲的那个过程在数学上的计算是完全一样的，你想象一下，如果不用矩阵进行运算，在训练过程中要如何进行这么复杂的交互运算。 当进行了l层的embedding propagation后，我们就拥有了l个eu和l个ei，我们将他们进行concate操作： 这样，我们不仅可以通过嵌入传播层丰富初始嵌入，还可以通过调整L来控制传播范围。 最后，我们进行内积计算，以评估用户对目标商品的偏好： 采用的是pair-wise方式中的bpr loss：
通常只是抽查，因为如果全看的话人数太多，老师也根本看不过来，所以只能抽选几个人去查看。
论文盲审有一个老师没通过，要想毕业。现在只能向学校申诉了，争取第二次盲审的机会，一般申诉都会给机会再审，而且在这期间要按照导师的要求认真修改，小问题更不能忽视，因为研究生的水平都差不多，论文拼的就是细节，细节决定成败，细节也说明一个人的学习态度，如果细节都处理不好很多老师就认为是写作太多有问题，肯定不会给通过。尤其是碰到严谨仔细的导师，更是会逐字逐句看论文，所以论文写完后，多让家长或同学读读，找找语病和错别字，不要出现低级错误。如果二次盲审再不通过那就不能毕业了。 正常情况下，毕业论文盲审末通过，就直接延毕了。 其实延毕也没那么可怕，不必为此垂头丧气，疼不欲生。延迟毕业时间各高校不一.样，有三个月的，最多半年，只要在此期间按肓审专家提出的修改意见认真对论文加以修改，下次肓审肯定会过的。 再就是费尽周折拿到手的0ffer，很有可能会因为延迟毕业而丢掉。但也不是绝对的，你可以和用人单位进行一下沟通，如果用人单位对入职时间没有十分严格的要求，也有可能为你保留offer的。 再说盲审末通过，有的学校有时也会根据情况做出另外一种安排的，就是组织学生进行二次肓审，那么你的机会和好运就来了，.马上认真修改论文。通常情况下，二次盲审通过率还是蛮高的。不过也有极个别的捣霉蛋儿，两次都遇到吃生米的了，第二次机会也没能通过的，那就没啥好说的了，老老实实等着延毕吧。 其实延毕也没啥大不了的哈，除非你压根就不玩儿活，否则最后肯定能毕业。不是说么，只有考不上的研究生，没有毕不了业的研究生。 看到这里，你应该把心放肚子里了吧。 很高兴回答你的问题。 盲审没有通过，没有关系。你也说了，那都是小问题。既然小问题，就按照所给的意见好好改就是了。 毕业论文盲审现在是一个趋势，有的学校甚至要求所有的毕业论文都要参加盲审。肯定有相当多一部分同学盲审通不过。 被抽中盲审不要把它当做一个老师挑错的过程，把它当做一个接受不同老师意见和建议，然后进行修改，尽量完善自己论文的过程，这样想心态就放松了。不会想着别人都过了，我怎么还没过，就差了两分，感到很心里很不平。 能一次通过最好，如果通不过的话，请按照意见耐心修改。我想第2次应该没有很大的问题。 既然侄儿只要工作以及签了，毕业生最关心的事情已经完成了一大半。就剩毕业论文了，那就静下心来好好修改。我想一定能够通过的。 研究生盲评不过原则上不能工作，因为你不会拿到毕业证。 根据国家学位委员会关于盲审的规定：被盲审为不合格学位论文修改期限，博士不超过二年，硕士不超过一年，修改后的论文仍必须参加双盲评审，原则上由原评审人员重新评审。论文若再次被否决的，则取消该论文作者学位申请资格。盲审不通过不能取得答辩权，也没有毕业证。 你可以对你的论文进行重新修改，然后再进行评审，通过后拿到毕业证就可以工作了。 另补充： 盲评的具体方法： 1.参加盲评的硕士研究生（含同等学力申请学位）按当年申请学位论文答辩人数的10%随机抽取，作为论文盲评对象，被抽查者名单由研究生部备案。 2.被抽查参加学位论文盲评者的论文答辩资格由研究生部审核，审核通过后方可办理答辩手续。 3.被抽出参加论文盲评者应在接到通知的七天内，按规定格式制作论文（隐去作者和导师姓名），一式三份，由所在系（部、所）研究生秘书在规定时间内报送研究生部。 4.每篇学位论文由3位专家评审，研究生部不接受被抽查研究生及其导师推荐评审专家，不公开评审专家名单。 最后祝一切顺利@赵斌读书会 没有通过盲审，说明论文肯定存在比较大的问题。如果只是小问题，专家一般会要求修改后答辩。 其实，在送审时就发现了论文的问题也算是幸运，如果答辩后论文已经网上公布出来再发现有大问题可能后果更严重，如果被判为学术不端，可能取消学位，成为人生的大污点。 论文没有通过，我们应该怎么做呢？ 首先，自己将评审老师的意见对着论文，一一检查存在的问题，提出修改思路。然后找自己的导师，和导师商量论文修改思路的合理性，导师认可后，认真修改论文 其次，评审老师看到你的论文有问题，很可能他看得匆忙，并没有仔细看完，意思是你的论文可能在评审老师发现的问题之外，还有其他问题。那么你就应该和你的导师仔细检查论文存在的问题，尽量将所有问题都修改到位。 毕竟下次送审时，可能送到其他评审老师手上，如果评审老师再次发现问题，再把你的论文给枪毙了，可能你的几年研究生就白读了。 作为学生，我认为孔子说过的“ 取乎其上，得乎其中；取乎其中，得乎其下；取乎其下，得无所得矣。”这句话一定要l牢记心中，自己的论文，尽量追求完美，不要抱着侥幸心理，否则可能后悔终身！ 那一定是你摘录的东西太多没有加索引。我觉得毕业论文还是实在一点。要有一点自己的东西。哪怕是并不十分成功的实验例证。都比摘抄的东西要强的多。 很高兴回答你的问题。 一般盲审没过的话，也就是需要继续修改，然后修改之后再审查一次，才能进入答辩环节。 从两个评委的打分来看都不算高。应该是论文的整体水平不够。例如做的都很好，也都没有什么问题，但是可能创新性不够，属于重复别人的工作等类似的问题。 既然已经发生这样的事情，只有努力修改。 我个人建议可以从以下几个方向进行修改。 第一，评审人提的意见一定要认真修改。并且针对同类问题在全文中进行检查并修改。 第二，一定不要出现格式问题。格式问题是评审老师非常讨厌的一个点。至少代表你在论文写作时不认真，态度有问题。 格式问题包括目录，摘要，图表，参考文献等。 第三，注意论文的篇幅占比。通常硕士论文会包括第1章背景介绍，第2章实验方法。后边1~2章为自己的内容。自己的研究内容一定要多于前两章。很多同学做论文自己的内容只写了10多页，但是前面两张背景介绍和研究方法写了20多页。这就明摆着告诉身高人，我什么都没做。 第四，适当加深讨论。既然两个审稿人给的分不高的话，应该是问题还是比较突出的，因为不知道你的具体是哪些问题，也无法提出更加具体的建议。 祝修改胜利！ 首先，应该和导师好好讨论下，分析原因，到底是因为水平确实不够，还是另有隐情。如果你认为盲审有问题，可以找学校有关单位申诉。但我想，一般情况下，盲审还是比较公正客观，所以你首先得找自己原因。 其次，各个学校对盲审不过是有具体实施细则的，根据不同情况，有的推迟一个月答辩，有的可能半年，修改后再送出盲审，总之，你得搞清楚你是哪种情况，学校什么要求，如果只是推迟一点时间答辩，我想对工作的影响不大，今年毕竟还有疫情影响，很多学生毕业论文的实验都无法正常完成，单位应该也可以理解。 但如果时间太长，你需要和单位好好沟通，和导师，学院学校有关部门沟通，想一个合理解决方法，是否可以没拿到学位证先去工作？如果是企业我想问题不是很大，事业单位公务员的话稍微棘手。 目前对你的信息掌握不是很多，所以你需要根据不同情况做应对策略。祝好运！ 抓紧时间修改，找导师或关系比较好的老师指导，毕业论文，首先不能有设计原则错误，这是最致命的，然后才是在前人研究的基础上创新，再着需要要流畅。不能口语，要书面话，论文是科研的东西，要规范。 好好修改，按照专家审稿意见仔细认真修改，我身边有个朋友第三次盲审才通过，最后毕业了。所以要继续努力，不要怕失败。关键是要找到原因。
其实这样看，感觉还是有希望的呢，毕竟对方并没有在一开始就直接拒稿，而且后续也给了你很多的修改意见。只要认真按着意见修改，还是有可能通过的。我们实验室都是找北京译顶科技，
若是不违反抄袭等规定，需要准备进行下一次盲评，若是违反了规定，极大概率拿不到学位证书。
相关规定
凡被盲评为不合格学位论文的指导教师所带研究生的学位论文必须全部参加下一轮盲评，且费用自理，同时提高所在学科盲评比例。
扩展资料
盲评原因
可以避免一些人为因素。
具体
1、参加盲评的硕士研究生（含同等学力申请学位）按当年申请学位论文答辩人数的10%随机抽取，作为论文盲评对象，被抽查者名单由研究生部备案。
2、被抽查参加学位论文盲评者的论文答辩资格由研究生部审核，审核通过后方可办理答辩手续。
3、被抽出参加论文盲评者应在接到通知的七天内，按规定格式制作论文（隐去作者和导师姓名），一式三份，由所在系（部、所）研究生秘书在规定时间内报送研究生部。
4、每篇学位论文由3位专家评审，研究生部不接受被抽查研究生及其导师推荐评审专家，不公开评审专家名单。
参考资料来源：百度百科-盲评
协同过滤(collaborative filtering)算法是最经典、最常用的推荐算法。其基本思想是收集用户偏好，找到相似的用户或物品，然后计算并推荐。 基于物品的协同过滤算法的核心思想就是：给用户推荐那些和他们之前喜欢的物品相似的物品。主要可分为两步： (1) 计算物品之间的相似度，建立相似度矩阵。 (2) 根据物品的相似度和用户的历史行为给用户生成推荐列表。 相似度的定义有多种方式，下面简要介绍其中几种：其中，分母 是喜欢物品 的用户数，而分子 是同时喜欢物品 和物品 的用户数。因此，上述公式可以理解为喜欢物品 的用户中有多少比例的用户也喜欢物品 。 上述公式存在一个问题。如果物品 很热门， 就会很大，接近1。因此，该公式会造成任何物品都会和热门的物品有很大的相似度，为了避免推荐出热门的物品，可以用下面的公式：这个公式惩罚了物品 的权重，因此减轻了热门物品会和很多物品相似的可能性。 另外为减小活跃用户对结果的影响，考虑IUF(nverse User Frequence) ，即用户活跃度对数的倒数的参数，认为活跃用户对物品相似度的贡献应该小于不活跃的用户。为便于计算，还需要进一步将相似度矩阵归一化 。其中 表示用户 对物品 的评分。 在区间 内，越接近1表示相似度越高。 表示空间中的两个点，则其欧几里得距离为： 当 时，即为平面上两个点的距离，当表示相似度时，可采用下式转换： 距离越小，相似度越大。 一般表示两个定距变量间联系的紧密程度，取值范围为[-1,1] 其中 是 和 的样品标准差 将用户行为数据按照均匀分布随机划分为M份，挑选一份作为测试集，将剩下的M-1份作为训练集。为防止评测指标不是过拟合的结果，共进行M次实验，每次都使用不同的测试集。然后将M次实验测出的评测指标的平均值作为最终的评测指标。 对用户u推荐N个物品(记为 )，令用户u在测试集上喜欢的物品集合为 ，召回率描述有多少比例的用户-物品评分记录包含在最终的推荐列表中。准确率描述最终的推荐列表中有多少比例是发生过的用户-物品评分记录。覆盖率反映了推荐算法发掘长尾的能力，覆盖率越高，说明推荐算法越能够将长尾中的物品推荐给用户。分子部分表示实验中所有被推荐给用户的物品数目(集合去重)，分母表示数据集中所有物品的数目。采用GroupLens提供的MovieLens数据集， 。本章使用中等大小的数据集，包含6000多用户对4000多部电影的100万条评分。该数据集是一个评分数据集，用户可以给电影评1-5分5个不同的等级。本文着重研究隐反馈数据集中TopN推荐问题，因此忽略了数据集中的评分记录。 该部分定义了所需要的主要变量，集合采用字典形式的数据结构。 读取原始CSV文件，并划分训练集和测试集，训练集占比，同时建立训练集和测试集的用户字典，记录每个用户对电影评分的字典。 第一步循环读取每个用户及其看过的电影，并统计每部电影被看过的次数，以及电影总数；第二步计算矩阵C，C[i][j]表示同时喜欢电影i和j的用户数，并考虑对活跃用户的惩罚；第三步根据式\ref{similarity}计算电影间的相似性；第四步进行归一化处理。 针对目标用户U，找到K部相似的电影，并推荐其N部电影，如果用户已经看过该电影则不推荐。 产生推荐并通过准确率、召回率和覆盖率进行评估。 结果如下所示，由于数据量较大，相似度矩阵为 维，计算速度较慢，耐心等待即可。 [1]. [2]. 推荐系统与深度学习. 黄昕等. 清华大学出版社. 2019. [3]. 推荐系统算法实践. 黄美灵. 电子工业出版社. 2019. [4]. 推荐系统算法. 项亮. 人民邮电出版社. 2012. [5]. 美团机器学习实践. 美团算法团队. 人民邮电出版社. 2018.
综述类: 1、Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions。最经典的推荐算法综述 2、Collaborative Filtering Recommender Systems. JB Schafer 关于协同过滤最经典的综述 3、Hybrid Recommender Systems: Survey and Experiments 4、项亮的博士论文《动态推荐系统关键技术研究》 5、个性化推荐系统的研究进展.周涛等 6、Recommender systems L Lü, M Medo, CH Yeung, YC Zhang, ZK Zhang, T Zhou Physics Reports 519 (1), 1-49 （ ） 个性化推荐系统评价方法综述.周涛等 协同过滤： factorization techniques for recommender systems. Y Koren collaborative filtering to weave an information Tapestry. David Goldberg （协同过滤第一次被提出） Collaborative Filtering Recommendation Algorithms. Badrul Sarwar , George Karypis, Joseph Konstan .etl of Dimensionality Reduction in Recommender System – A Case Study. Badrul M. Sarwar, George Karypis, Joseph A. Konstan etl Memory-Based Collaborative Filtering. Kai Yu, Anton Schwaighofer, Volker Tresp, Xiaowei Xu,and Hans-Peter Kriegel systems:a probabilistic analysis. Ravi Kumar Prabhakar recommendations: item-to-item collaborative filtering. Greg Linden, Brent Smith, and Jeremy York of Item-Based Top- N Recommendation Algorithms. George Karypis Matrix Factorization. Ruslan Salakhutdinov Decompositions,Alternating Least Squares and other Tales. Pierre Comon, Xavier Luciani, André De Almeida 基于内容的推荐： Recommendation Systems. Michael J. Pazzani and Daniel Billsus 基于标签的推荐： Recommender Systems: A State-of-the-Art Survey. Zi-Ke Zhang(张子柯), Tao Zhou(周 涛), and Yi-Cheng Zhang(张翼成) 推荐评估指标： 1、推荐系统评价指标综述. 朱郁筱，吕琳媛 2、Accurate is not always good：How Accuacy Metrics have hurt Recommender Systems 3、Evaluating Recommendation Systems. Guy Shani and Asela Gunawardana 4、Evaluating Collaborative Filtering Recommender Systems. JL Herlocker 推荐多样性和新颖性： 1. Improving recommendation lists through topic diversification. Cai-Nicolas Ziegler Sean M. McNee, Joseph Lausen Fusion-based Recommender System for Improving Serendipity Maximizing Aggregate Recommendation Diversity：A Graph-Theoretic Approach The Oblivion Problem：Exploiting forgotten items to improve Recommendation diversity A Framework for Recommending Collections Improving Recommendation Diversity. Keith Bradley and Barry Smyth 推荐系统中的隐私性保护： 1、Collaborative Filtering with Privacy. John Canny 2、Do You Trust Your Recommendations? An Exploration Of Security and Privacy Issues in Recommender Systems. Shyong K “Tony” Lam, Dan Frankowski, and John Ried. 3、Privacy-Enhanced Personalization. Alfred 4、Differentially Private Recommender Systems：Building Privacy into the Netflix Prize Contenders. Frank McSherry and Ilya Mironov Microsoft Research, Silicon Valley Campus 5、When being Weak is Brave: Privacy Issues in Recommender Systems. Naren Ramakrishnan, Benjamin J. Keller,and Batul J. Mirza 推荐冷启动问题： Boltzmann Machines for Cold Start Recommendations. Asela Preference Regression for Cold-start Recommendation. Seung-Taek Park, Wei Chu Cold-Start Problem in Recommendation Systems. Xuan Nhat and Metrics for Cold-Start Recommendations. Andrew I. Schein, Alexandrin P opescul, Lyle H. U ngar bandit(老虎机算法,可缓解冷启动问题): 1、Bandits and Recommender Systems. Jeremie Mary, Romaric Gaudel, Philippe Preux 2、Multi-Armed Bandit Algorithms and Empirical Evaluation 基于社交网络的推荐： 1. Social Recommender Systems. Ido Guy and David Carmel A Social Networ k-Based Recommender System(SNRS). Jianming He and Wesley W. Chu Measurement and Analysis of Online Social Networks. Referral Web：combining social networks and collaborative filtering 基于知识的推荐： 1、Knowledge-based recommender systems. Robin Burke 2、Case-Based Recommendation. Barry Smyth 3、Constraint-based Recommender Systems: Technologies and Research Issues. A. Felfernig. R. Burke 其他： Trust-aware Recommender Systems. Paolo Massa and Paolo Avesani