摘要：
资料 https://zhuanlan.zhihu.com/p/50116885 https://zhuanlan.zhihu.com/p/30976469 https://levinehuang.github.io/deep-learning/ai/2018/11/20/Large_Distrib 阅读全文
摘要：
http://www.c-s-a.org.cn/html/2018/5/6356.html 1. 新闻时效性模型 a. 文献老化率模型: Ke^(-at) k - 与 category 有关 a - 文献的老化率 t - 被引用频率 b. 新闻的时效性模型 S(tn, t) = e^[-a(t - 阅读全文
摘要：
gongoi 工作内容 需求和目标的沟通 产品负责整个产品的发展方向，定义什么是“好”。 我理解在我们 app 里面需要定义，什么是该推送的 push。即使点击率高，有的也不适合推送。 最近我们猫头鹰 app 发送了一些政治敏感类文章：Microsoft Exchange email hack wa 阅读全文
摘要：
https://zhuanlan.zhihu.com/p/387378387 负采样有很多种方法。线上用的是随机降采样 10% 的负例。 分类 规则式 随机（baseline） 优点：效率，避免引入新的偏差。广泛使用。 基于流行度 越热门的物品，越容易做负例。 优点：提高采样质量，用户不喜欢热门商品 阅读全文
摘要：
结构 从 expert 角度 1. experts 其实是一个个小兵，将不同的输入数据映射到不同的空间，只 fit 这一部分的 "local" 数据。 reference： https://www.cs.toronto.edu/~hinton/csc321/notes/lec15.pdf 所以我理解 阅读全文
摘要：
https://zhuanlan.zhihu.com/p/150347888 阅读全文
摘要：
baseline hourly train； 观察到 show 没有观察到 click，则按照负样本计算； 观察到 show & click，则按照正样本计算； 正样本回溯4个小时的负样本进行 join； 已经按照负样本进行训练的正样本，按照2个正样本进行补充。 优点：实时性高。但不准确。 缺点：不 阅读全文
摘要：
《One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction 》 2018年阿里巴巴应用在广告系统上的推荐架构。同时预估19个domain的ctr 任务。 论文大概内容翻译 Ab 阅读全文
摘要：
参考：https://zhuanlan.zhihu.com/p/89566632 http://josh-tobin.com/assets/pdf/troubleshooting-deep-neural-networks-01-19.pdf 做模型 90% 的时间在于 debug & tune。10 阅读全文
摘要：
https://ai.51cto.com/art/202102/644214.htm 问题1：CTR 模型缺乏个性化 问题： 快手认为，DNN, DeepFM这一类简单的全连接深度模型，在全局用户的共建语义模式下缺乏个性化。 目标： 在网络参数上为不同用户学习一个独有的个性化偏差。 借鉴： LHUC 阅读全文