利用了bregman散度，将NMf分解更进一步的进行了扩展。

学习排名已广泛用于信息检索任务中，以构建用于文档检索的排名模型。 现有的学习排序方法采用有监督的机器学习方法作为核心技术，经典检索模型作为文档特征。 文档功能的质量会严重影响排名模型的有效性。 因此，有必要在排序中生成有效的文档特征以扩展学习的特征空间以进行排序，以便更好地对查询及其对应文档之间的相关性进行建模。 最近，深度神经网络模型已用于为各种文本挖掘任务生成有效特征。 自动编码器是神经网络的一种构建模块，它基于编码器-解码器框架将语义信息捕获为有效特征。 在本文中，我们将自动编码器结合到基

POT：Python最佳传输 这个开源的Python库为与信号，图像处理和机器学习的最佳传输有关的优化问题提供了多个求解器。 网站和文档： : 源代码（MIT）： ： POT提供以下通用OT解算器（示例链接）： 用于线性程序/土方距离[1]的。 [6]和正则OT的[7]。 带有[2]，稳定版[9] [10]，贪婪的Sinkhorn [22]和熵正则化OT解算器，具有可选的GPU实现（需要cupy）。 [3]， [21]和分解[4]的Bregman投影。 来自经验数据的S