上一页 1 2 3 4 5 6 7 ··· 38 下一页
摘要: pandas.DataFrame.to_hdf(self, path_or_buf, key, **kwargs): Hierarchical Data Format (HDF) ,to add another DataFrame or Series to an existing HDF file, 阅读全文
posted @ 2019-08-27 20:17 合唱团abc 阅读(603) 评论(0) 推荐(0) 编辑
摘要: 广告的实际曝光取决于广告的流量覆盖大小和在竞争广告中的相对竞争力水平。其中广告的流量覆盖取决于广告的人群定向(匹配对应特征的用户数量)、广告素材尺寸(匹配的广告位)以及投放时段、预算等设置项【广告触发】。而影响广告竞争力的主要有出价、广告质量等因素(如pctr/pcvr等), 以及对用户体验的控制策 阅读全文
posted @ 2019-08-27 16:55 合唱团abc 阅读(3338) 评论(0) 推荐(0) 编辑
摘要: seq2seq 是一个 Encoder–Decoder 结构的网络,它的输入是一个序列,输出也是一个序列, Encoder 中将一个可变长度的信号序列变为固定长度的向量表达,Decoder 将这个固定长度的向量变成可变长度的目标的信号序列。 这个结构最重要的地方在于输入序列和输出序列的长度是可变的, 阅读全文
posted @ 2019-07-29 10:19 合唱团abc 阅读(1112) 评论(0) 推荐(0) 编辑
摘要: import numpy as np def softmax(x): """ 对输入x的每一行计算softmax。 该函数对于输入是向量(将向量视为单独的行)或者矩阵(M x N)均适用。 代码利用softmax函数的性质: softmax(x) = softmax(x + c) 参数: x -- 一个N维向量,或者M x N维nu... 阅读全文
posted @ 2019-05-29 16:09 合唱团abc 阅读(1110) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/37290775 https://github.com/NELSONZHAO/zhihu/blob/master/mt_attention_birnn/mt_attention_birnn.ipynb https://keras.io/zh/ 阅读全文
posted @ 2019-05-28 17:22 合唱团abc 阅读(1115) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/26306795 https://arxiv.org/pdf/1411.2738.pdf https://zhuanlan.zhihu.com/p/53194407 https://zhuanlan.zhihu.com/p/58805184 阅读全文
posted @ 2019-05-09 17:48 合唱团abc 阅读(2450) 评论(0) 推荐(0) 编辑
摘要: https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf https://zhuanlan.zhihu.com/p/25343518 https://zhuanlan.zhihu 阅读全文
posted @ 2019-05-08 16:22 合唱团abc 阅读(594) 评论(0) 推荐(0) 编辑
摘要: Encoder-Decoder框架: 目前大多数注意力模型附着在Encoder-Decoder框架下,当然,其实注意力模型可以看作一种通用的思想,本身并不依赖于特定框架,这点需要注意。 抽象的文本处理领域的Encoder-Decoder框架: 文本处理领域的Encoder-Decoder框架可以这么 阅读全文
posted @ 2019-05-07 16:14 合唱团abc 阅读(638) 评论(0) 推荐(0) 编辑
摘要: 参考: https://zhuanlan.zhihu.com/p/51623339 https://arxiv.org/abs/1706.06978 注意力机制顾名思义,就是模型在预测的时候,对用户不同行为的注意力是不一样的,“相关”的行为历史看重一些,“不相关”的历史甚至可以忽略。那么这样的思想反 阅读全文
posted @ 2019-05-07 10:16 合唱团abc 阅读(1978) 评论(0) 推荐(0) 编辑
摘要: 参考:https://zhuanlan.zhihu.com/p/31529643 在CTR预估中,负样本采样是一种常见的特征工程方法。一般CTR预估的原始正负样本比可能达到1:1000~1:10000左右,而要获取好的效果,一般需要采样到1:5~1:15之间(VC维可推导)。 我们详细分析采样对于p 阅读全文
posted @ 2019-05-06 15:18 合唱团abc 阅读(4728) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 7 ··· 38 下一页