摘要：
最近开始刷LeetCode，准备按照专题来进行。所有的解题方案我都会放在GitHub上面，对于有价值的题目，我会重新在这里做记录，并且将解题方案贴出来，便于自己之后复习。 Array 1. easy 1. "122. Best Time to Buy and Sell Stock II" + "我的 阅读全文
摘要：
背景 这里主要是用来针对USACO上的题目的二次汇总，因为我在刷题的过程中，有的题目我是可以很快想到解决方案的，对于这种题目，就没有必要深究了。但是有一些题目对于我来说还是有一些挑战的，可能用朴素的算法可以解决，但是另外一种优美的解法是我没有想到的，也有可能是这个题目我是看完别人的题解之后才会的。所 阅读全文
摘要：
背景 在CTR预估任务中，线性模型仍占有半壁江山。利用手工构造的交叉组合特征来使线性模型具有“记忆性”，使模型记住共现频率较高的特征组合，往往也能达到一个不错的baseline，且可解释性强。但这种方式有着较为明显的缺点：首先，特征工程需要耗费太多精力。其次，因为模型是强行记住这些组合特征的，所以对 阅读全文
摘要：
背景 特征工程是绕不开的话题，巧妙的特征组合也许能够为模型带来质的提升。但同时，特征工程耗费的资源也是相当可观的，对于后期模型特征的维护、模型线上部署不太友好。2016年，微软提出Deep Crossing模型，旨在解决特征工程中特征组合的难题，降低人力特征组合的时间开销，通过模型自动学习特征的组合 阅读全文
摘要：
背景 上一篇文章介绍了FNN [2]，在FM的基础上引入了DNN对特征进行高阶组合提高模型表现。但FNN并不是完美的，针对FNN的缺点上交与UCL于2016年联合提出一种新的改进模型PNN（Product based Neural Network）。 PNN同样引入了DNN对低阶特征进行组合，但与F 阅读全文
摘要：
背景 在FM之后出现了很多基于FM的升级改造工作，由于计算复杂度等原因，FM通常只对特征进行二阶交叉。当面对海量高度稀疏的用户行为反馈数据时，二阶交叉往往是不够的，三阶、四阶甚至更高阶的组合交叉能够进一步提升模型学习能力。如何能在引入更高阶的特征组合的同时，将计算复杂度控制在一个可接受的范围内？ 参 阅读全文
摘要：
背景 在CTR/CVR预估任务中，除了FM模型[2] 之外，后起之秀FFM（Field aware Factorization Machine）模型同样表现亮眼。FFM可以看作是FM的升级版，Yuchi Juan于2016年提出该模型，但其诞生是受启于Rendle在2010年发表的另一个模型PITF 阅读全文
摘要：
背景 在推荐领域CTR（click through rate）预估任务中，最常用到的baseline模型就是LR（Logistic Regression）。对数据进行特征工程，构造出大量单特征，编码之后送入模型。这种线性模型的优势在于，运算速度快可解释性强，在特征挖掘完备且训练数据充分的前提下能够达 阅读全文
摘要：
shell中有很多内建命令，如何区分内建命令与外部文件，使用type command即可看到命令类型。 >> type cd # input << cd is a Shell builtin # output >> type ifconfig # input << ifconfig is /sbin 阅读全文
摘要：
shell中同样有数组的概念，获取数组中的元素要使用下标[]，并且下标的值必须大于等于0。数据的各项特性见下例： #!/bin/bash array1=(1 2 3 999) echo ${array1[3]} array2=(1 3 5 "hello,world") # different dat 阅读全文
摘要：
字符串详解 字符串可以由 单引号/双引号/无引号 包围。如下所示 >> str1=hello str2="hello" str3='hello' << 三种形式的区别： 1）由单引号包围 字符原样输出，不对其中的变量进行解析。并且在字符串中不能出现单引号，即使加了转义字符也不行。 2）由双引号包围 阅读全文
摘要：
Shell中变量的作用域： 在当前Shell会话中使用，全局变量。 在函数内部使用，局部变量。 可以在其他Shell会话中使用，环境变量。 在当前Shell会话中使用，全局变量。 在函数内部使用，局部变量。 可以在其他Shell会话中使用，环境变量。 局部变量： 默认情况下函数内的变量也是全局变量 阅读全文