factorization machine

时间: 2023-04-23 11:04:06 浏览: 39
因子分解机（Factorization Machine）是一种机器学习算法，它可以用于处理高维稀疏数据，并且可以进行特征交叉。它的核心思想是将特征向量分解成低维的向量，然后通过内积来计算特征之间的交互作用。因子分解机在推荐系统、广告推荐、CTR预估等领域有广泛应用。
相关问题

Factorization machine (FM)

Factorization machine (FM) 是一种模型，用于处理稠密或稀疏的数值型特征和类别型特征的预测问题。它可以对特征之间的交互进行建模，并建立对数据的高阶函数表示。通常用于推荐系统、广告点击率预估和搜索排序等领域。 Factorization machine 的算法有点类似于矩阵分解，它将给定的输入特征矩阵分解为两个低维的特征矩阵的积，并通过最小化损失函数来学习这些低维矩阵。Factorization machine 还支持对高阶特征进行线性组合的过程，从而使得模型能够自动学习出数据中的复杂交互特征。

《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》的摘要

DeepFM 是一种基于因式分解机的神经网络，用于点击率预测。它将因式分解机和神经网络结合起来，以利用它们各自的优点。DeepFM 可以在大规模数据集上进行训练，并且在点击率预测任务上具有很高的准确性。

相关推荐

zip

FactorizationMachine

分解机在 Python/Theano 中快速而肮脏地实现分解机。
py

Factorization Machine算法

已经封装好因子分解算法，包含简单的模型调参，主要用于二分类、回归问题
pdf

factorization machine 隐因子分解机

factorization machine 隐因子分解机

xdeepfm模型介绍

xDeepFM（eXtreme Deep Factorization Machine）是一基于深度学习和因子分解机的推荐模型。它结合了深度神经网络（DNN）和子分解机（FM）的优点，于解决推荐系统中的CTR（点击）预测问题。 xDeepFM模型的核心思想是将特征的交叉信息引入到深度神经网络中，以更好地捕捉特征之间的高阶交互关系。它通过引入两个注意力机制来实现这一目标："CIN"（Compressed Interaction Network）和"AFM"（Attentional Factorization Machine）。 CIN是xDeepFM模型中的一种结构，它通过一系列的交叉层来学习特征之间的高阶交叉关系。这些交叉层在每一层都对特征进行两两组合，并将交叉结果进行压缩和连接，最终输出一个固定长度的向量表示。通过多层的交叉层堆叠，xDeepFM模型能够学习到不同阶次的特征交叉信息。 AFM是xDeepFM模型中的另一种结构，它通过注意力机制来学习特征之间的交互权重。互向量，然后

deepfmxDeepFM

DeepFM是一种神经网络模型，用于解决推荐系统中的问题。它结合了深度神经网络和因子分解机（Factorization Machine）两种模型的优势。深度神经网络可以学习到高阶特征的表示，而因子分解机可以很好地捕捉特征之间的交互关系。 DeepFM模型的结构由两部分组成：特征因子化模块和深度神经网络模块。在特征因子化模块中，DeepFM使用了因子分解机来计算特征之间的交互。这一部分可以有效地捕捉到特征之间的二阶交互关系。在深度神经网络模块中，DeepFM使用了多层的全连接神经网络，可以学习到更高阶的特征交叉。 DeepFM模型在推荐系统中有广泛的应用。它可以用于预测用户对物品的评分、进行物品推荐等任务。相比于传统的推荐算法，DeepFM能够更好地处理特征之间的复杂关系，并且能够自动地学习到特征的表示，减少了特征工程的工作量。

推荐算法、DeepFM

DeepFM是一种融合了深度学习和因子分解机（Factorization Machine）的推荐算法。它的核心思想是将输入特征同时输入到FM模型和神经网络模型中，通过FM模型学习特征之间的二阶交互关系，通过神经网络模型学习高阶特征交互关系。这样可以充分利用FM模型和神经网络模型的优势，进而提升推荐算法的性能。 FM模型是一种用于处理稀疏数据的二阶特征交互模型，它可以学习到特征之间的相互作用。而神经网络模型可以通过多层非线性变换学习到更复杂的特征交互模式。DeepFM的结构包括了FM模型和神经网络模型，通过共享相同的输入特征来进行训练。 使用DeepFM算法进行推荐任务时，首先需要将用户和物品表示为特征向量。然后将这些特征向量输入到DeepFM模型中进行训练。在训练过程中，DeepFM会同时学习到全局特征交互和局部特征交互，从而提高推荐的准确性。 DeepFM算法在推荐系统中具有一定的优势，例如可以处理高度稀疏的特征数据，具有较好的泛化能力，并且可以学习到更复杂的特征交互模式。但是，它也存在一些挑战，例如需要大量的训练数据和计算资源来训练深度神经网络模型。

python FNN

F是指基于Python编程语言实现的Feedforward Neural Network（前馈神经网络）。FNN模型结合了FM（Factorization Machine）和DNN（Deep Neural Network）的特点，旨在实现显式特征交叉和隐式高阶交叉以及泛化能力。FNN模型的提出是为了在深度学习时代中将传统的推荐系统模型与深度学习技术相结合，以提高模型的性能和准确性。FNN模型的设计和实现在推荐系统领域发挥了重要的作用。123 #### 引用[.reference_title] - *1* *3* [【Pytorch深度学习实战】（4）前馈神经网络（FNN）](https://blog.csdn.net/sikh_0529/article/details/126922583)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [NNDL 作业3：分别使用numpy和pytorch实现FNN例题](https://blog.csdn.net/qq_51713698/article/details/127135938)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

AFM怎么使用pytorch控制特征添加注意力权重的比例

AFM（Attentional Factorization Machine）是一种基于注意力机制的推荐模型，它可以对特征进行加权处理，以更好地表示物品之间的关系。下面是使用PyTorch控制特征添加注意力权重比例的示例代码： python import torch import torch.nn as nn class AFM(nn.Module): def __init__(self, num_features, embedding_dim, attention_size): super(AFM, self).__init__() self.embedding_dim = embedding_dim self.attention_size = attention_size # Embedding layer self.embeddings = nn.ModuleList([nn.Embedding(num_features[i], embedding_dim) for i in range(len(num_features))]) # Attention layer self.attention_weights = nn.Linear(embedding_dim, attention_size) self.attention_biases = nn.Parameter(torch.zeros(attention_size)) self.attention_weights2 = nn.Linear(attention_size, 1) def forward(self, x): # Embedding feat_embed = [self.embeddings[i](x[:, i]) for i in range(x.shape[1])] feat_embed = torch.stack(feat_embed, dim=1) # [batch_size, num_features, embedding_dim] # Attention atten_scores = self.attention_weights(feat_embed) atten_scores = torch.tanh(atten_scores + self.attention_biases) atten_scores = self.attention_weights2(atten_scores) atten_scores = torch.softmax(atten_scores, dim=1) # Weighted sum feat_weighted = torch.sum(atten_scores * feat_embed, dim=1) return feat_weighted 在上面的代码中，我们使用了一个Attention层来计算特征的注意力权重。其中，attention_size参数可以控制注意力层的大小，从而影响特征的加权比例。你可以尝试调整attention_size参数的大小，来控制特征的注意力权重比例。

用pytorch实现FM

FM（Factorization Machine）是一种处理稀疏数据的机器学习模型，通常用于推荐系统和广告推荐等场景。下面是使用 PyTorch 实现 FM 的示例代码： 首先，导入所需的库： python import torch import torch.nn as nn 接着，定义 FM 模型： python class FM(nn.Module): def __init__(self, num_features, num_factors): super(FM, self).__init__() self.num_features = num_features self.num_factors = num_factors self.linear = nn.Linear(num_features, 1) self.embedding = nn.Embedding(num_features, num_factors) def forward(self, x): linear_terms = self.linear(x).squeeze() interactions = torch.sum(self.embedding(x), dim=1).pow(2).sum(1) interactions -= torch.sum(self.embedding(x).pow(2), dim=1).sum(1) fm_output = linear_terms + interactions return fm_output 其中，num_features 表示特征的数量，num_factors 表示每个特征的隐向量维度。 在 forward 函数中，首先对输入的 x 进行线性变换，并将结果压缩到一维，得到 linear_terms。然后，对 x 进行 embedding，并在第二维上求和，得到交叉项的一次方和。再对 embedding 进行平方，然后在第二个维度上求和，得到交叉项的二次方和。最后，将 linear_terms 和 interactions 相加，得到 FM 模型的输出。 接着，定义训练过程： python def train(model, optimizer, loss_fn, train_loader, num_epochs): for epoch in range(num_epochs): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = loss_fn(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print('Epoch %d, loss: %.3f' % (epoch + 1, running_loss / len(train_loader))) 其中，model 是 FM 模型，optimizer 是优化器，loss_fn 是损失函数，train_loader 是训练数据的 DataLoader，num_epochs 是训练次数。在训练过程中，对输入数据进行前向传播，计算损失，然后进行反向传播和参数更新。 最后，使用示例数据进行训练和测试： python # 示例数据 X = torch.tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) y = torch.tensor([1, 0, 1]) # 定义模型和优化器 model = FM(num_features=X.shape[1], num_factors=5) optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 训练模型 train(model, optimizer, nn.MSELoss(), torch.utils.data.DataLoader(torch.utils.data.TensorDataset(X, y), batch_size=1), num_epochs=10) # 测试模型 inputs = torch.tensor([[0, 1, 2], [3, 4, 5]]) outputs = model(inputs) print(outputs) 在上面的示例中，输入数据 X 是一个 3x3 的张量，表示 3 个样本，每个样本有 3 个特征。标签 y 是一个长度为 3 的张量，表示每个样本的标签。在训练过程中，使用 MSE 损失函数进行优化。最后，输入测试数据进行预测，并输出模型的输出。

pytorch 推荐FM算法实现

Factorization Machine (FM) 是一种处理稀疏高维数据的算法，可以用于推荐系统、CTR 预估等场景。下面是使用 PyTorch 实现 FM 算法的示例代码。 首先，我们需要导入 PyTorch 和其他必要的库： python import torch from torch.utils.data import Dataset, DataLoader from sklearn.preprocessing import LabelEncoder 然后我们定义一个自定义数据集类来加载数据： python class FMDataSet(Dataset): def __init__(self, X, y=None): self.X = X self.y = y def __len__(self): return len(self.X) def __getitem__(self, idx): if self.y is not None: return self.X[idx], self.y[idx] else: return self.X[idx] 接着，我们定义 FM 模型的类： python class FM(torch.nn.Module): def __init__(self, num_features, k): super(FM, self).__init__() self.num_features = num_features self.k = k # 线性部分 self.linear = torch.nn.Linear(num_features, 1) # 交叉部分 self.V = torch.nn.Parameter(torch.randn(num_features, k)) def forward(self, x): linear_part = self.linear(x) v_part = torch.mm(x, self.V).pow(2).sum(1, keepdim=True) \ - torch.mm(x.pow(2), self.V.pow(2)).sum(1, keepdim=True) fm_part = 0.5 * v_part out = linear_part + fm_part return torch.sigmoid(out) 在这个模型中，我们定义了线性部分和交叉部分。线性部分使用 PyTorch 自带的 Linear 层，而交叉部分使用了一个矩阵 V，它的形状是 (num_features, k)。我们通过矩阵乘法和张量乘法计算出交叉部分的输出。 接下来，我们可以加载数据并进行预处理。这里我们使用 MovieLens 数据集作为示例数据： python import pandas as pd # 加载数据 data = pd.read_csv('http://files.grouplens.org/datasets/movielens/ml-100k/u.data', sep='\t', header=None, names=['user_id', 'item_id', 'rating', 'timestamp']) # 将 user_id 和 item_id 编码成连续的整数 user_encoder = LabelEncoder() item_encoder = LabelEncoder() data['user_id'] = user_encoder.fit_transform(data['user_id']) data['item_id'] = item_encoder.fit_transform(data['item_id']) # 将数据集拆分成训练集和测试集 train_data = FMDataSet(data[['user_id', 'item_id']].values, data['rating'].values) train_loader = DataLoader(train_data, batch_size=256, shuffle=True) num_users = len(user_encoder.classes_) num_items = len(item_encoder.classes_) 最后，我们可以训练模型并进行评估： python # 定义模型和优化器 model = FM(num_users + num_items, 20) optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 训练模型 for epoch in range(10): for x, y in train_loader: optimizer.zero_grad() y_pred = model(x) loss = torch.nn.functional.binary_cross_entropy(y_pred, y.float().unsqueeze(1)) loss.backward() optimizer.step() print('Epoch {}: loss={:.4f}'.format(epoch+1, loss.item())) # 在测试集上评估模型 test_data = FMDataSet(data[['user_id', 'item_id']].values) test_loader = DataLoader(test_data, batch_size=1024) y_pred = [] for x in test_loader: y_pred.append(model(x).detach().numpy().flatten()) y_pred = np.concatenate(y_pred) y_true = data['rating'].values rmse = np.sqrt(np.mean((y_true - y_pred)**2)) print('RMSE={:.4f}'.format(rmse)) 这样就可以使用 PyTorch 实现 FM 算法了。请注意，这个示例代码只是一个简单的示例，实际的应用中可能需要进行更多的优化和调整。

deepfm应用场景

DeepFM是一种结合了深度学习和因子分解机（Factorization Machine）的推荐算法，它可以用于推荐系统中的CTR预估、商品推荐等场景。 具体来说，DeepFM通过将特征分为稠密特征和稀疏特征，分别使用神经网络和因子分解机进行处理，最终将两者的结果进行融合得到最终的预测结果。相比于传统的FM模型，DeepFM在处理高维稀疏特征时具有更好的效果。 除了推荐系统，DeepFM还可以应用于广告点击率预估、搜索排序等场景。

推荐算法深度学习模型

推荐算法中的深度学习模型有Deep FM模型和Deep Crossing模型。Deep FM模型是一种结合了Factorization Machine（FM）模型和深度神经网络（DNN）的推荐模型。它可以同时捕捉到低阶和高阶的特征交互，从而提高推荐的准确性。而Deep Crossing模型是一种基于深度神经网络的推荐模型，它通过多层的神经网络来学习用户和物品之间的复杂关系，从而提供个性化的推荐结果。

matlab优化算法 100例

Matlab优化算法是一种基于数学模型的计算方法，在许多领域中都有着广泛的应用。根据实际应用需求，我们可以选择适合的优化算法。下面罗列100个常见的Matlab优化算法： 1. 遗传算法(Genetic Algorithm) 2. 粒子群算法(Particle Swarm Optimization) 3. 差分进化算法(Differential Evolution) 4. 蚁群算法(Ant Colony Optimization) 5. 模拟退火算法(Simulated Annealing) 6. 人工鱼群算法(Artificial Fish Swarm Algorithm) 7. 历史遗传算法(Historical Genetic Algorithm) 8. 协方差矩阵适应进化策略(Convex Matrix Evolution Strategy) 9. 盲化梯度下降(Blind Gradient Descent) 10. 坐标下降法(Coordinate Descent) 11. 简单x方法(Simplex Method) 12. 对偶内点法(Dual Interior Point Method) 13. 增广拉格朗日法(Augmented Lagrangian Method) 14. 卡尔曼滤波(Kalman Filter) 15. 扩展卡尔曼滤波(Extended Kalman Filter) 16. 动态规划(Dynamic Programming) 17. 灰关联分析(Grey Relational Analysis) 18. 纯虚拟炼金术模拟算法(Purely Virtual Alchemy Simulation Algorithm) 19. 模糊控制算法(Fuzzy Control Algorithm) 20. 归纳逻辑程序设计算法(Inductive Logic Programming Algorithm) 21. Linear Programming 22. Nonlinear Programming 23. Quadratic Programming 24. Integer Programming 25. Semi-definite Programming 26. Combinatorial Optimization 27. Stochastic Programming 28. Convex Optimization 29. Non-negative Matrix Factorization 30. Support Vector Machine 31. Logistic Regression 32. Linear Discriminant Analysis 33. Naive Bayes Classifier 34. Principal Component Analysis 35. Independent Component Analysis 36. Karhunen-Loeve Transform 37. Wavelet Transform 38. Discrete Wavelet Transform 39. Fast Fourier Transform 40. Nonlinear Least Squares 41. Maximum Likelihood Estimation 42. Conditional Maximum Likelihood Estimation 43. Maximum A Posteriori Estimation 44. Sequential Monte Carlo 45. Markov Chain Monte Carlo 46. Gibbs Sampling 47. Metropolis-Hastings Algorithm 48. Hamiltonian Monte Carlo 49. Variational Bayes 50. Expectation-Maximization Algorithm 51. Structured Variational Bayes 52. Belief Propagation 53. Compressed Sensing 54. Sparse Representation 55. Non-negative Sparse Representation 56. Robust Principal Component Analysis 57. Low Rank Matrix Completion 58. Nonlinear Regression 59. Kernel Regression 60. Gaussian Process Regression 61. Kriging 62. Smoothing Splines 63. Nonparametric Regression 64. Discriminant Analysis 65. Nonparametric Bayes 66. Boosting 67. Random Forest 68. Deep Learning 69. Convolutional Neural Network 70. Recurrent Neural Network 71. Long Short-Term Memory 72. Autoencoder 73. Variational Autoencoder 74. Generative Adversarial Network 75. Reinforcement Learning 76. Q-Learning 77. Policy Gradient 78. Actor-Critic 79. Monte Carlo Tree Search 80. Exploration-Exploitation Dilemma 81. Batch Reinforcement Learning 82. Decision Trees 83. Naive Decision Trees 84. Randomized Decision Trees 85. Regression Trees 86. Tree Boosting 87. Gradient Boosting 88. Adaboost 89. Rank Boosting 90. Decision Forest 91. Learning to Rank 92. Unsupervised Learning 93. Clustering 94. K-Means 95. Gaussian Mixture Model 96. Hierarchical Clustering 97. Self-Organizing Maps 98. Non-negative Matrix Factorization Clustering 99. Subspace Clustering 100. Latent Dirichlet Allocation.
rar

基于python实现因子分解机Factorization Machine

基于python实现因子分解机Factorization Machine
pdf

Factorization Machines

本文详细介绍了Factorization machine的原理和应用，是业界不可多得的论文原本资源。
zip

attentional_factorization_machine:注意分解机的TensorFlow实现

tentional_factorization_machine 这是我们对本文的实现： 肖军，叶浩，何湘南，张汉旺，吴飞，蔡达生（2017）。 IJCAI，澳大利亚墨尔本，2017年8月19日至25日。 在我们建议的神经网络框架下，我们还发布了分解机的...
zip

factorization_algorithm:双理图分解算法的Java实现

factorization_algorithm 双理图分解算法的Java实现该程序创建了算法的可视化表示，用于查找 3 维锥体的两个细分序列的共同细化。 这些序列之一的长度为 1，为了避免琐碎的细分，两个初始细分都是固定的。 该程序将...

最新推荐

甲基环己烷，全球前4强生产商排名及市场份额.pdf

甲基环己烷，全球前4强生产商排名及市场份额

mingw64安装包(gcc/g++...)

MinGW，全称Minimalist GNU for Windows，是一个可自由使用和自由发布的Windows特定头文件和使用GNU工具集导入库的集合，允许你在GNU/Linux和Windows平台生成本地的Windows程序而不需要第三方C运行时（C Runtime）库。 MinGW是一组包含文件和端口库，其功能是允许控制台模式的程序使用微软的标准C运行时（C Runtime）库（MSVCRT.DLL）。这个库在所有的NT OS上有效，在所有的Windows 95发行版以上的Windows OS有效。使用基本运行时，你可以使用GCC写控制台模式的符合美国标准化组织（ANSI）程序，可以使用微软提供的C运行时（C Runtime）扩展，与基本运行时相结合，就可以有充分的权利既使用CRT（C Runtime）又使用Windows API功能。 MinGW又称mingw32，是将GCC编译器和GNU Binutils移植到Win32平台下的产物，包括一系列头文件（Win32 API）、库和可执行文件。

WMPMediaSharing.dll

WMPMediaSharing

“传智杯”web前端应用创意挑战赛 参赛作品，用于展示项目源码

“传智杯”web前端应用创意挑战赛 参赛作品，用于展示项目源码 本项目为前后端分离项目 ## back 后端 >本版本为开发版本，小程序上线版本的后端为https协议 创建依赖包 ```javascript npm i ``` 启动后端项目 ```javascript node index.js ``` ## front前端 1. 本项目使用uniapp编写，请在HBuilder X里打开； 2. 本项目使用了Vant Weapp组件包，需要手动添加； >本项目使用的vant组件版本为1.10.6 * 在项目中创建一个文件叫wxcomponents，该文件需与page文件平级 ![image](https://raw.githubusercontent.com/lbs12219/canteen-vis/main/images/image1.png) * 在该网站“[https://github.com/youzan/vant-weapp/releases](https://github.com/youzan/vant-weapp/releases)”里下载van

distcache软件包

distcache软件包，格式为rpm，适用于centos系linux操作系统。包含： distcache-1.4.5-23.src.rpm distcache-1.4.5-23.x86_64.rpm distcache-debuginfo-1.4.5-23.x86_64.rpm distcache-debugsource-1.4.5-23.x86_64.rpm distcache-devel-1.4.5-23.x86_64.rpm 共5个rpm包文件

市建设规划局gis基础地理信息系统可行性研究报告.doc

市建设规划局gis基础地理信息系统可行性研究报告.doc

"REGISTOR：SSD内部非结构化数据处理平台"

REGISTOR：SSD存储裴舒怡，杨静，杨青，罗德岛大学，深圳市大普微电子有限公司。公司本文介绍了一个用于在存储器内部进行规则表达的平台REGISTOR。Registor的主要思想是在存储大型数据集的存储中加速正则表达式（regex）搜索，消除I/O瓶颈问题。在闪存SSD内部设计并增强了一个用于regex搜索的特殊硬件引擎，该引擎在从NAND闪存到主机的数据传输期间动态处理数据为了使regex搜索的速度与现代SSD的内部总线速度相匹配，在Registor硬件中设计了一种深度流水线结构，该结构由文件语义提取器、匹配候选查找器、regex匹配单元（REMU）和结果组织器组成。此外，流水线的每个阶段使得可能使用最大等位性。为了使Registor易于被高级应用程序使用，我们在Linux中开发了一组API和库，允许Registor通过有效地将单独的数据块重组为文件来处理SSD中的文件Registor的工作原

要将Preference控件设置为不可用并变灰java完整代码

以下是将Preference控件设置为不可用并变灰的Java完整代码示例： ```java Preference preference = findPreference("preference_key"); // 获取Preference对象 preference.setEnabled(false); // 设置为不可用 preference.setSelectable(false); // 设置为不可选 preference.setSummary("已禁用"); // 设置摘要信息，提示用户该选项已被禁用 preference.setIcon(R.drawable.disabled_ico

基于改进蚁群算法的离散制造车间物料配送路径优化.pptx

基于改进蚁群算法的离散制造车间物料配送路径优化.pptx

海量3D模型的自适应传输

为了获得的目的图卢兹大学博士学位发布人：图卢兹国立理工学院（图卢兹INP）学科或专业：计算机与电信提交人和支持人：M. 托马斯·福吉奥尼2019年11月29日星期五标题：海量3D模型的自适应传输博士学校：图卢兹数学、计算机科学、电信（MITT）研究单位：图卢兹计算机科学研究所（IRIT）论文主任：M. 文森特·查维拉特M.阿克塞尔·卡里尔报告员：M. GWendal Simon，大西洋IMTSIDONIE CHRISTOPHE女士，国家地理研究所评审团成员：M. MAARTEN WIJNANTS，哈塞尔大学，校长M. AXEL CARLIER，图卢兹INP，成员M. GILLES GESQUIERE，里昂第二大学，成员Géraldine Morin女士，图卢兹INP，成员M. VINCENT CHARVILLAT，图卢兹INP，成员M. Wei Tsang Ooi，新加坡国立大学，研究员基于HTTP的动态自适应3D流媒体2019年11月29日星期五，图卢兹INP授予图卢兹大学博士学位，由ThomasForgione发表并答辩Gilles Gesquière�