摘要： 
Python中的任何序列（可迭代的对象）都可以通过赋值操作进行拆分，包括但不限于元组、列表、字符串、文件、迭代器、生成器等。不过如果我们想从可迭代对象中分解出$N$个元素，但如果这个可迭代对象长度超过$N$，则会抛出异常"too many values to unpack"。针对这个问题的解决方案是采用"*"表达式。 阅读全文
Python中的任何序列（可迭代的对象）都可以通过赋值操作进行拆分，包括但不限于元组、列表、字符串、文件、迭代器、生成器等。不过如果我们想从可迭代对象中分解出$N$个元素，但如果这个可迭代对象长度超过$N$，则会抛出异常"too many values to unpack"。针对这个问题的解决方案是采用"*"表达式。 阅读全文
摘要： 
近年来推荐系统公平性成为新的热点，在所有解决公平性问题的方法中，因果推断显得格外靓眼。我们以论文《Recommendations as treatments: Debiasing learning and evaluation》[1]做为引入，来看看因果推断是怎么应用在推荐系统公平性研究中的。该论文的思想如下：从因果推断的角度看待推荐问题，我们可以认为在推荐系统中给用户曝光某个商品类似于在医学中给病人施加某种治疗方式。 阅读全文
近年来推荐系统公平性成为新的热点，在所有解决公平性问题的方法中，因果推断显得格外靓眼。我们以论文《Recommendations as treatments: Debiasing learning and evaluation》[1]做为引入，来看看因果推断是怎么应用在推荐系统公平性研究中的。该论文的思想如下：从因果推断的角度看待推荐问题，我们可以认为在推荐系统中给用户曝光某个商品类似于在医学中给病人施加某种治疗方式。 阅读全文
做为最后一篇论文阅读记录，我决定对我目前为止粗读和精读的论文进行一次总结，然后陈述一些个人对该研究领域的见解和想法。首先，总结一下论文，推荐系统中的偏差和不公平现象是随着推荐算法的诞生就与生俱来的，而不是人为故意产生的。目前我读过的论文中包括的一些典型的偏差和其主要的解决方案包括：人口平等(Demographic parity)、位置偏差(Position bias)、曝光偏差(Exposure bias)、选择偏差(Selection bias)、曝光偏差(Exposure bias)、流行度偏差(Popularity bias)。 
接下来我总共花了将近四天时间才将论文《Towards Long-term Fairness in Recommendation》理解透彻。因为该论文用到了强化学习(Reinforcement Learning)，而强化学习不像之前的生成对抗网络(GAN)一样简洁明了，涉及的数学知识非常多。在看论文之前我花费了很所时间去补强化学习的基础，其中牵涉到的知识点还包括随机过程、数值优化等，因此我在掌握文章背景上就耗费了很多时间和精力。 
本篇博客我们介绍论文《Learning Fair Representations for Recommendation: A Graph-based Perspective》，在博客中我们将论文的结构和核心思想进行了详细地梳理，并讲解该论文的Pytorch框架实现代码。该论文有几个要点，其中包括使用生成对抗网络(GAN)训练的滤波器对原始的用户－物品embeddings向量进行转换，以除去用户的敏感信息(该论文假定原始嵌入算法不可修改，只能在已经生成的embeddings向量上做转换)。在论文的实验部分，我们分数据集描述、模型评估策略、超参数调整、测试结果记录四个部分来展开叙述。MovieLens-1M 是一个推荐系统的基准数据集，这个数据集包括6040个用户对于近4000部电影的近1百万条评分信息。用户具有三个类别型属性，包括性别(2种类别)，年龄(7种类别)和职位(21个类别)。 
推荐系统的公平性（fairness）正在成为推荐系统领域的一个新的突破点，目前对于推荐系统这种需要落地的应用，单纯的在模型领域取得准确率等指标的突破已经不是唯一的追求。虽然fancy的模型依然重要，但是越来越多的学者关注于模型在应用中的可解释性以及机器学习算法中性别偏见、种族歧视等不公平问题，而这也与社会学、人口学、经济学等不同学科产生了交叉。 
给你一迭薄煎饼，请你写一个程式来指出要如何安排才能使这些薄煎饼由上到下依薄煎饼的半径由小到大排好。所有的薄煎饼半径均不相同。
要把薄煎饼排好序需要对这些薄煎饼做翻面（flip）的动作。方法是以一抹刀插入一迭薄煎饼中，然后做翻面的动作（也就是说在抹刀上面的薄煎饼经翻面后，会依相反的次序排列）。若一迭共有n个薄煎饼，我们定义最底下的薄煎饼的位置为1，最上面的薄煎饼位置为n。当抹刀插入位置为k时，代表从位置k到位置n的薄煎饼要做翻面的动作。 
个人复习统计学习中线性可分支持向量机(SVM)所做的笔记，重点关注从统计学和凸优化的角度给出严谨的公式推导，包括模型、学习策略和算法三个部分。参考资料包括李航的《统计学习方法》和Stephen Boyd的《凸优化》。 
个人复习统计学习中朴素贝叶斯模型所做的笔记，包括原理讲解及其Python语言实现。原理方面重点关注从统计学和概率论的角度给出严谨的公式推导，包括模型构建、参数估计和算法三个部分。参考资料包括李航的《统计学习方法》和George Casella的《统计推断》。 
直线上有$n$个等距村庄，每个村庄要么买酒，要么卖酒。设第$i$个村庄对酒的需求为$A_i$($-1000 \leqslant A_i \leqslant 1000$)，其中$A_i>0$表示买酒，$A_i<0$表示卖酒。所有村庄供需平衡，即所有$A_i$之和等于0。
把$k$个单位的酒运到相邻村庄去需要$k$个单位的劳动力，问最少需要多少劳动力才能满足所有的村庄的要求。输出保证在64位带符号整数范围内。