摘要：
学习排序（Learning to Rank） LTR（Learning torank）学习排序是一种监督学习（SupervisedLearning）的排序方法。LTR已经被广泛应用到文本挖掘的很多领域，比如IR中排序返回的文档，推荐系统中的候选产品、用户排序，机器翻译中排序候选翻译结果等等。IR领域 阅读全文
摘要：
https://www.jianshu.com/p/25fc600de9fb 谷歌最近的一篇BERT取得了卓越的效果，为了研究BERT的论文，我先找出了《Attention is All You Need》，看看里面的Transformer模型作为基础。 Transformer是为了机器翻译任务中的 阅读全文
摘要：
https://applenob.github.io/em.html EM算法总结 在概率模型中，最常用的模型参数估计方法应该就是最大似然法。 EM算法本质上也是最大似然，它是针对模型中存在隐变量的情况的最大似然。 下面通过两个例子引入。 没有隐变量的硬币模型 假设有两个硬币，AA和BB，这两个硬币 阅读全文
摘要：
https://applenob.github.io/em.html EM算法总结 在概率模型中，最常用的模型参数估计方法应该就是最大似然法。 EM算法本质上也是最大似然，它是针对模型中存在隐变量的情况的最大似然。 下面通过两个例子引入。 没有隐变量的硬币模型 假设有两个硬币，AA和BB，这两个硬币 阅读全文
摘要：
https://www.jianshu.com/p/1121509ac1dc 如果使用基于最大似然估计的模型，模型中存在隐变量，就要用EM算法做参数估计。个人认为，理解EM算法背后的idea，远比看懂它的数学推导重要。idea会让你有一个直观的感受，从而明白算法的合理性，数学推导只是将这种合理性用更 阅读全文
摘要：
https://blog.csdn.net/starzhou/article/details/78845931 The Wide and Deep Learning Model（译文+Tensorlfow源码解析） 原创 2017年11月03日 22:14:47 标签： 深度学习 / 谷歌 / te 阅读全文
摘要：
推文《阿里凑单算法首次公开！基于Graph Embedding的打包购商品挖掘系统解析》笔记 从17年5月份开始接触Graph Embedding，学术论文读了很多，但是一直不清楚这技术是否真的能应用于工业界？ 最近导师转发给我一篇文章，名为《阿里凑单算法首次公开！基于Graph Embedding 阅读全文
摘要：
Kaggle网站流量预测任务第一名解决方案：从模型到代码详解时序预测 2017年12月13日 17:39:11 机器之心V 阅读数：5931 Kaggle网站流量预测任务第一名解决方案：从模型到代码详解时序预测 2017年12月13日 17:39:11 机器之心V 阅读数：5931 Kaggle网站 阅读全文
摘要：
转载： http://blog.csdn.net/chengcheng1394/article/details/78940565 请安装TensorFlow1.0，Python3.5 项目地址： https://github.com/chengstone/kaggle_criteo_ctr_chal 阅读全文
摘要：
https://blog.csdn.net/BitCs_zt/article/details/82938086 列出自己阅读的text classification论文的列表，以后有时间再整理相应的笔记。阅读价值评分纯粹是基于自己对于文章的理解，标准包括：动机、方法、数据集质量、实验安排、相关工作等 阅读全文