分类
论文笔记
Prefix-Tuning：为生成任务优化连续提示
Prefix-Tuning 冻结整个语言模型，只学习一组注入到注意力层的连续向量来引导生成。本文从注意力公式、重参数化、KV cache 机制到 GPT-2 上的实验，把这套方法和 Adapter、Prompt Tuning、LoRA 的边界讲清楚。
Mixture-of-Subspaces in Low-Rank Adaptation (MoSLoRA)
MoSLoRA 用一个 k×k 可学习 mixer 组合 k 个低秩子空间，整体重写为干净的 BWA 乘积，保留可合并性与零推理开销。
HCGR —— Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
HCGR 把会话图嵌入洛伦兹双曲流形，切空间跑 GNN 注意力聚合，再加 InfoNCE 对比损失，长尾深层数据集增益最大。
paper2repo：GitHub Repository Recommendation for Academic Papers
paper2repo（WWW 2020）双塔 GCN：引用图与协同标星图分头训练，靠余弦桥接对加 WARP 排序损失打通跨塔嵌入空间。
SR-GNN —— Session-based Recommendation with Graph Neural Networks
SR-GNN 把一段点击会话拆成有向加权图，再用门控 GNN 做下一跳预测。本文系统讲清会话图构建、GGNN 更新、局部+全局池化、训练细节、基准对比，以及决定要不要在生产里用它的几类失败模式。
Graph Contextualized Self-Attention Network for Session-based Recommendation
GC-SAN（IJCAI 2019）会话推荐：SR-GNN 抓局部转移加自注意力抓长距离意图，再用一个标量权重融合最后一击与全局意图。
Integrating Large Language Models with Graphical Session-Based Recommendation
LLMGR 用混合编码层把 64 维 ID 映射到 4096 维 LLM 空间，两阶段 prompt tuning，冷启动 HR@20 提升 8.68%。
Graph Neural Networks for Learning Equivariant Representations of Neural Networks
把神经网络本身画成一张图（神经元做节点、权重做边），再让 GNN 来读它，就能得到一个对隐藏单元置换天然等变的表示。换对了对称性，预测泛化、检索相似模型、跨架构合并权重这类任务才真正变得可学。