LuckPsyduck

摘要： 1.概述 广告CTR预估过程中，正负样本比例差距较大，需要采样，但是采用后模型训练的结果是有偏的。 2. 校准方式 用逻辑回归作为激活函数 其中是未进行负采样时正样本的比例，是进行负采样后的正样本的比例。 3. 参考博客 https://zhuanlan.zhihu.com/p/35580375 h 阅读全文

摘要： 1. DIN(Deep Interest Network)优点 使用用户兴趣分布来表示用户多种多样的兴趣爱好。 使用Attention机制来实现Local Activation，局部激活相关的历史兴趣信息，与当前候选Ad相关性越高的历史行为，会获得更高的Attention Score。 针对模型训练 阅读全文

摘要： 1. DCN优点 使用Cross Network，在每一层都运用了Feature Crossing，高效学习高阶特征。 网络结构简单且高效 相比DNN，DCN的Logloss值更低，而且参数的数量少了一个数量级。 2. 网络整体结构 主要分为Embedding和Stacking层，利用Embeddi 阅读全文

摘要： 1. xDeepFM优势 自动高效的学习隐式和显示的高维特征交互 设计一个新的CIN网络可以显示学习高阶特征交互，且为Vector-Wise 2. xDeepFM整体算法框架 整个网络结构主要分为两部分：压缩交互网络和DNN网络。压缩交互网络主要是实现自动学习显示的高阶特征交互，DNN网络主要是实现 阅读全文

摘要： 1. 概述 点击率预估是对每次广告的点击情况做预测，判定是否点击或者给出点击概率值。 2. 搜索广告与非搜索广告 搜索广告中存在Query，Query和广告内容的匹配程度对点击率影响很大。 非搜索广告中点击率的计算多来源于用户的兴趣和广告特征、上下文等。 3. 点击率预估与推荐算法 推荐算法只需要给 阅读全文

摘要： 1. 概述 召回是指从全量信息集合中触发尽可能多的正确结果，并将返回结果给“排序”；排序是对所有召回的内容进行打分排序，选出得分最高的几个结果推荐给用户。 2. 召回策略 常用的主要有协同过滤、向量化召回和深度树匹配模型。 2.1 协同过滤 协同过滤主要分为基于物品的协同过滤、基于用户的协同过滤和基 阅读全文

摘要： 1. 推荐基础 2. 上下文推荐 3. 标签推荐 4. 用户行为推荐 5. 社交网络推荐 6. 冷启动问题 7. 评分预测 8. 参考博客 https://www.jianshu.com/p/bbcec0dca4c9 阅读全文

摘要： 1. 提升树 以决策树为基函数的提升方法称为提升树，决策树可以分为分类树和回归树，提升树模型可以表示为决策树的加法模型，其数学表达式为： 其中表示决策树，表示决策树的参数，为决策树的个数。 提升树算法流程： 输入：训练数据集 ① 初始化 ②对每棵树 ③对每个样本，计算残差 ④利用训练一棵决策树，得到 阅读全文

摘要： 1. Anaconda各种版本 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 2. 多个Python环境 conda info -e conda create --name python36 python=3.6 source acti 阅读全文

摘要： 1.功能 在Screen环境下，所有的会话都独立的运行，并拥有各自的编号、输入、输出和窗口缓存。用户可以通过快捷键在不同的窗口下切换，并可以自由的重定向各个窗口的输入和输出。 2. 基础命令 screen -ls screen -S Name screen -r Name Ctrl a + d 离开 阅读全文