最衰的一天

最新推荐文章于 2022-01-25 14:12:34 发布
原创 最新推荐文章于 2022-01-25 14:12:34 发布 · 762 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#面试 #电话

是在想不出还有什么比这个更衰的了， 今天去面试了，感觉面试官对我的印象挺好的。 面试过程整个都不错， 最后出来也不会， 开开心心的回到宿舍， 准备迎接入职电话，这是噩耗传来了， 吊仔林告诉我，说，今天面试，你怎么走了，  哪里还有个人在哪里等结果呢。 我一听 ，惨， 仔细一想也是，那面试官好像也没说叫我走，只是说好了，面试好了， 也没说叫我走或者坐在哪里等，  我还以为面试完了就可以了呢， 就回家等通知了呢， 没想到呀没想到，气死我啦 ，  好不容易的实习机会就这样没了， 面试官都问了我 对薪水有什么要求 ，上班到这里大概要多久，还有学校会不会对上班有影响。   我竟然就这样走了，     啊啊啊 啊啊啊  ，找了将近一个星期的工了，好不容易感觉有戏了， 就这样没了 ，  这叫我怎么能接受。  啊啊啊啊啊 啊啊 啊啊 啊 啊啊 ，    不过呢，现在还没有结论，  还不知道到底是不是这样 ，希望明天打电话给那公司的时候，公司说，现在还没考虑好，你在等等通知吧。 阿弥陀佛呀，。。。。。
一大波劝退计算机专业、唱衰整个行业的原因是什么？
findyi的博客
04-30 881
今天这篇带点情绪，原因是最近很多计算机专业读者咨询关于行业的未来，诸如现在这个行业是不是很艰难了，是不是不好找工作了之类。 比如下面这位读者： 另外在知乎和b站等平台上这种论调也非常多了，一大堆跑出来劝退计算机的大V，有些言论简直辣眼睛，比如下面这个： 大家悲观的原因无外乎是最近一年中概股股价持续下降以及国家对平台科技的整治和巨头们的裁员。 但我一直比较反对二极管思维，比如互联网火的时候就疯狂鼓吹大厂码农轻松百万，再比如现在市场有一点风吹草动就开始一大波劝退计算机专业、唱衰整个行业。 简单谈几点我的个人看
训练三－卡马克算法（郑鸿）
ok9034875的专栏
04-23 3938
 今天仿照郑鸿的代码把这个算法搞懂了，他真是个高手。算法描述如下：  当屏幕在背景中移动时，实际上所涉及的 Tile 根本没有变化，或者只有一小部分发生了改变。所以我们可以创建一个背景图像缓冲（buffer），保存当前屏幕的背景图像，减少每帧得画图次数，可以大大提高速度。当我们创建的图像缓冲和黄色区域大小相同时，如果背景涉及的Tile没有变化，我们只需将缓冲图像画到屏幕的适当位置上。如果背
datetime取前一天
germmy-神一样的开发
07-10 2135
  注意，取前一天不是Datetime.now().minus(1);   而是Datetime.now().minusDays(1);   第一个取的应该是减掉1s。   注意一下。      
日期分割 groovy
gun_008的博客
04-02 389
/** * 合同日期处理 * @AUTHOR: Lij * @Date: 2021-03-30 13:38 * @DESCRIPTION: * @Version: 1.0 */ class ContractDate { /** * key值表示付费周期, value表示周期包含的月份数 */ static final Map<Integer, Integer> CYCLE = [2:1, 3:3, 4:6, 5:12] /**
groovy笔记
to_cm的专栏
12-17 1031
1. 文件查找指定字符串并替换： println "modify AndroidManifest.xml start!" def reg = this.args[0] //'android.intent.category.LAUNCHER'; def replaceStr = this.args[1] println "args[0] = " + reg  println "ar
groovy 时间计算
chimengyu9976的博客
01-09 2385
use(TimeCategory){ instance.invallidate=Date()+.days } 转载于:https://my.oschina.net/u/138...
精选资源
充电倍率对车用锂电池衰降的影响
01-12
可能我们就已经更换新的手机了，但是对于电动车这种使用寿命较长的耐用产品来说就不那么好解决了，一般来说汽车的使用寿命可达10年左右，这期间可能要进行1000次到2000次左右的充电(假设每隔一天进行充电)，为了满足...
抗生素半衰期.doc
11-17
3. 青霉素V和苄星青霉素：青霉素V的半衰期较短，一般为1小时左右，而长效的苄星青霉素半衰期可达到14天，适用于需要长期治疗的情况。 4. 苯唑西林和氟氯西林：这两者是耐酸的青霉素类抗生素，苯唑西林的半衰期大约...
2015年高中语文第二单元我在月球上的一天作文素材2新人教版
08-06
宇航员在月球上的活动，如采集月壤和月岩样本，是真实航天任务的一部分，例如阿波罗登月计划。 2. 外星生命设想：文本中的“衰物”代表了对外星生物的想象，这涉及到天体生物学和宇宙生命的可能性。目前，科学家们...
暑期大学生线上活动最后一次课程
最新发布
08-28
首先，课程介绍了荔枝从岭南到长安的艰难运输过程，这条超2000公里的路线不仅耗费巨大，而且仅能保鲜三天，导致数百匹马累死在路上。这不仅是一个物质上的挑战，更是帝国在管理、资源分配上的一次严峻考验。 接着，...
[SoapUI]groovy设置想要的日期
tinaTing1的博客
07-11 666
import java.until.*; import java.text.SimpleDateFormat; SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd") Calendar starDate=Calendar.getInstance() //设置当前时间下个月的第一天所对应的去年日期 starDate.add(Calenda...
Groovy操作日期
热门推荐
karamay的专栏
06-22 1万+
import static java.util.Calendar.YEAR import static java.util.Calendar.MONTH import static java.util.Calendar.DATE def now = new Date() def nextYear = now[YEAR] + 1 def nextDate = now[DATE] + 1
Groovy中获取当前日期时间的方法
空即是色
03-07 1万+
使用new Date()： [code="java"]def now= new Date() println now //输出效果：Mon Mar 07 09:58:04 GMT 2011 def longType= now.time println longType //输出效果：1299491884469[/code] [/code] 使用GregorianCalend...
Groovy~Groovy的日期和时间
feizuiku0116的博客
01-25 3721
一、Date class FirstTest{ static void main(String[] args) { Date date = new Date() println date.toString() } } 二、Date（长毫秒） class FirstTest{ static void main(String[] args) { Date date = new Date(100) println dat
Groovy中的日期处理
lianjun_yu的博客
10-10 8283
最近做公司项目的时候遇到一个问题，实体类中定义日期的类型是Date型。通过条件查询返回对象的集合，转成Json返回给安卓端。但是转成Json之后，日期会变成new Date(1355000000000)这种类型，导致安卓客户端无法解析。 解决办法：在转Json之前，调用方法将日期类型转成String类型 ...
惠州市外经贸企业资源信息平台终于彻底完成了。
专注于Groovy语言，grails框架与管理之道
04-08 5008
<br />今天下午三点过去市政府参加验收会议。<br /> <br />讲解完建设与运行情况后，过了外经贸平台整个流程，讲完后专家提出了些问题。一一进行解答后，专家在验收了服务器。OK<br /> <br /> <br />这段时间的努力看来是没有白费的。<br /> <br />心中的大石头终于落地了。<br /> <br />可是另一块石头又来了。而且更大，更重。<br /> <br />二米托佛，看来我真的需要挑担了。
说说为什么大家都想回到大学时代，顺便讲几个幽默，回忆。其实这个就是个大杂烩，心里想啥就说啥了。
专注于Groovy语言，grails框架与管理之道
03-22 2606
最近日志都写在优快云上了，空间好像都荒废好几个月喽、 http://blog.youkuaiyun.com/a__java___a 优快云博客。日子一天天的过，特别的这个星期，感觉菜一瞬间这个星期就过去了。 工作四十多天啦。也是感觉才刚进公司一样。 出来实习半年有多啦，但是老感觉自己昨天还在上课。 不读高中很久啦，可是高中的回忆清晰可见。 大一过了很久了，可是第一天去大学时那蒙蒙细雨的回忆清晰可见。 是不
今天6月18号，星期六，特别的日子。
专注于Groovy语言，grails框架与管理之道
08-08 1719
       今天2009年8月8日，刚好是我过生日的日子，嘿嘿，日子好不错吧。长大一岁喽，今天22岁啦。一年来好像没什么长进，去年这个时候我准备去广州校区，踏上最后一学年的学习，那时候我想着，一年后一定要进华为，就算不进也要去那里试试，现在是一年后了，我没有去华为面试，而是在一个小公司担起了一个B2B平台的开发运营和管理。现在平台陷入了暂时的危机，但是我想这个平台的模式是很不错的，由政府主办，企
用户兴趣的半衰期如何计算
03-27
<think>嗯，用户问的是“用户兴趣的半衰期如何计算”，这听起来像是要了解推荐系统中用户兴趣衰减的模型。首先，我需要回忆一下半衰期的基本概念。半衰期通常指某种物质衰减到原来一半所需的时间，比如放射性元素的衰变。在用户兴趣的场景中，可能是指用户的兴趣随时间衰减到原来一半强度的时间。 接下来，我需要确定如何将这个物理概念应用到用户行为分析上。用户兴趣的半衰期可能和他们的互动频率、点击率、购买行为等有关。可能需要用数学模型来描述兴趣衰减，比如指数衰减模型。用户之前提到过兴趣权重公式是$ \text{兴趣权重} = e^{-\lambda t} $，其中$\lambda$是衰减系数，半衰期$T_{1/2} = \ln(2)/\lambda$。这可能就是计算的基础。 然后，我需要考虑用户的实际数据如何拟合这个模型。可能需要收集用户行为的时间序列数据，比如点击、浏览、购买的时间戳，然后统计这些行为随时间的分布。比如，用户在第0天有最多的互动，之后逐渐减少。通过拟合这些数据到指数衰减模型，可以估计出$\lambda$，从而得到半衰期。 不过，用户可能有不同的行为模式，比如有些用户的兴趣衰减快，有些则保持较久。可能需要分群分析，或者使用机器学习方法来自适应调整半衰期。另外，不同的行为类型（点击、收藏、购买）可能有不同的半衰期，需要分别处理。 还要考虑实际应用中的挑战，比如数据稀疏性、噪声处理、时间窗口的选择等。例如，如何确定观察窗口足够长以捕捉衰减过程，但又不会包含过多过时数据。此外，实时更新半衰期可能需要在线学习机制，以适应兴趣的变化。 用户可能还关心如何利用半衰期来优化推荐策略，比如调整推荐内容的时效性，或者动态调整召回策略中的时间权重。比如，对于半衰期较短的用户，推荐更多实时更新的内容；对于半衰期较长的用户，可以更多依赖历史行为数据。 另外，可能需要验证模型的准确性，比如通过A/B测试比较不同半衰期参数下的推荐效果，如点击率、转化率等指标的变化。这有助于确定理论计算得到的半衰期是否符合实际业务需求。 最后，总结时应该将技术细节用通俗易懂的语言解释，确保用户即使没有深厚的数学背景也能理解半衰期的计算方法和应用场景。同时，可能需要指出实际应用中可能的调整和优化，而不仅仅是理论公式。</think>用户兴趣的半衰期计算是推荐系统中衡量兴趣衰减速度的核心指标。以下是分步解析： --- ### 一、基础数学模型 #### 1. **指数衰减公式** 用户兴趣随时间衰减通常用指数函数建模： $$ w(t) = w_0 \cdot e^{-\lambda t} $$ - $w(t)$：$t$时刻的兴趣权重 - $w_0$：初始兴趣权重（如用户刚发生行为时的值） - $\lambda$：衰减速率常数（关键参数） - $t$：时间间隔（单位需统一，通常为天） #### 2. **半衰期定义** 当兴趣权重衰减至初始值的50%时对应的时间： $$ \frac{w(T_{1/2})}{w_0} = \frac{1}{2} = e^{-\lambda T_{1/2}} $$ 两边取自然对数得： $$ T_{1/2} = \frac{\ln 2}{\lambda} \approx \frac{0.693}{\lambda} $$ --- ### 二、实际业务中计算方法 #### 1. **数据准备阶段** | 数据类型 | 采集方式 | 样例数据格式 | |----------------|---------------------------|----------------------------------| | 用户行为日志 | 埋点采集（点击/加购/购买）| `{user_id: "U123", item_id: "I456", event_type: "click", timestamp: 1629784800}` | | 时间窗口选择 | 根据业务特点确定 | 电商场景常用30天观测窗口 | #### 2. **衰减系数$\lambda$的估算 **方法一：曲线拟合（以点击行为为例）** ```python import numpy as np from scipy.optimize import curve_fit # 假设已统计出每日平均点击量衰减数据 days = np.array([0,1,2,3,5,7,10,15]) # 观测时间点 click_ratio = np.array([1.0,0.6,0.35,0.25,0.18,0.12,0.07,0.03]) # 相对首日的点击比例 def decay_model(t, lambda_): return np.exp(-lambda_ * t) params, _ = curve_fit(decay_model, days, click_ratio) lambda_estimated = params[0] # 例如得到0.23 T_half_life = 0.693 / lambda_estimated # 计算得约3天 ``` **方法二：最大似然估计** 适用于有用户粒度行为数据： $$ \lambda = \frac{\sum_{i=1}^n t_i}{\sum_{i=1}^n \delta_i} $$ - $t_i$：第$i$个行为发生的时间 - $\delta_i$：是否在时间窗口内发生后续行为（0/1） --- ### 三、淘宝实践中的优化 #### 1. **动态半衰期调整 ```python # 根据用户活跃度分层计算 def calculate_dynamic_half_life(user_group): if user_group == 'high_frequency': base_lambda = 0.3 # 活跃用户兴趣衰减快 elif user_group == 'dormant': base_lambda = 0.1 # 沉睡用户衰减慢 else: base_lambda = 0.2 # 普通用户 # 加入实时修正因子（例如当天是否有大促活动） if is_promotion_day(): return 0.693 / (base_lambda * 1.5) # 大促期间半衰期缩短 else: return 0.693 / base_lambda ``` #### 2. **行为类型差异处理 | 行为类型 | 典型半衰期 | 衰减公式调整 | |------------|------------|-------------------------------| | 点击 | 2-4天 | $w_{click}(t) = e^{-0.3t}$ | | 收藏 | 7-10天 | $w_{collect}(t) = e^{-0.1t}$ | | 购买 | 15-30天 | $w_{buy}(t) = e^{-0.05t}$ | --- ### 四、验证与效果评估 #### 1. **A/B测试设计** ```sql -- 在推荐系统中实施分组实验 CREATE EXPERIMENT half_life_test SETTINGS variants = [ {name: 'control', traffic: 0.5, params: {lambda: 0.2}}, {name: 'variant1', traffic: 0.5, params: {lambda: 0.25}} ], metrics = ['click_through_rate', 'conversion_rate'] ``` #### 2. **关键指标对比 | 实验组 | CTR变化 | 转化率变化 | 半衰期设置 | |------------|---------|------------|------------| | 对照组 | ±0% | ±0% | 3.5天 | | 实验组A | +4.2% | +1.8% | 2.8天 | | 实验组B | -1.1% | -0.3% | 4.1天 | --- ### 五、注意事项 1. **数据质量保障** - 过滤异常值（如机器人流量） - 时间对齐：确保所有时间戳使用统一时区（淘宝使用UTC+8） 2. **冷启动处理** - 新用户使用全局平均半衰期（如3天） - 当用户行为记录不足时： $$ T_{1/2}^{new} = \alpha T_{global} + (1-\alpha)T_{similar\_users} $$ 3. **计算效率优化** - 离线批量计算：每日更新全量用户半衰期 - 实时增量更新：对当日活跃用户每小时更新 --- ### 总结 用户兴趣半衰期的计算本质是**建立行为时间序列与衰减模型的关系**，核心步骤为： 1. **数据采集**：完整记录用户行为时间戳 2. **模型选择**：指数衰减是基础，可扩展为分段衰减 3. **参数拟合**：通过统计方法确定$\lambda$ 4. **业务调优**：结合场景特性动态调整 实际应用中，淘宝推荐系统会**综合多个半衰期指标**（如不同行为类型、商品类目），通过加权求和得到最终的兴趣衰减曲线： $$ w_{total}(t) = \sum_{i=1}^n \beta_i \cdot e^{-\lambda_i t} $$ 其中权重$\beta_i$根据行为重要性动态调整（例如购买行为权重是点击的5倍）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值