<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[RecDay2018's Blog]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Super_Json</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Super_Json]]></copyright><item><title><![CDATA[算法工作两年，我的思考和总结]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/106591756</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/106591756</guid><author>Super_Json</author><pubDate>Sat, 06 Jun 2020 18:34:51 +0800</pubDate><description><![CDATA[18年毕业到现在，算法工程师的工作已过去两个年头，有挫败也有欢喜，感谢老板同事伙伴们的帮助。和工作第一年相比(我做算法工程师的第1年)，在业务认识、工作方法、算法应用和落地有了不一样的体会和认识，趁着周末总结一番，与君共勉。

|意愿和思维调整

和工作第一年相比，我觉得最重要的一点是需要尽快的完成意愿和思维的调整，从任务思维快速转换至项目思维。

任务思维：依赖他人对于任务的准确划分和定义，欠缺独立的思考和想法，容易陷入被动接受指导的境地，把按时完成任务作为自己工作成果的主要衡量指标，缺乏牵引和更深层次.]]></description><category></category></item><item><title><![CDATA[推荐系统 | KDD2019 阿里 Res-embedding for Deep Learning Based Click-Through Rate Prediction Modeling]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105880918</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105880918</guid><author>Super_Json</author><pubDate>Thu, 21 May 2020 15:53:10 +0800</pubDate><description><![CDATA[这篇文章是阿里巴巴2019年KDD上的文章，区别以往在MLP层的改进，本篇文章更多关注embedding层的优化。可以带着以下几个问题进行论文阅读，1.为何需要改进Embedding层，2.数学推导证明改进Embedding对提升模型泛化性能的作用3. 如何改进embedding 及 res-embedding的设计4. 相关参数控制和实验结果论证


目录

1. 背景

2. 理论分析

2...]]></description><category></category></item><item><title><![CDATA[推荐系统 - Google多目标学习MMOE(附tf2.0实现)]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105835846</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105835846</guid><author>Super_Json</author><pubDate>Wed, 29 Apr 2020 11:25:56 +0800</pubDate><description><![CDATA[本文收录在推荐系统专栏，专栏系统化的整理推荐系统相关的算法和框架，并记录了相关实践经验，所有代码都已整理至推荐算法实战集合(hub-recsys)。


1.背景

何谓多任务，即在一个模型中考虑多个目标。在推荐系统中，往往需要同时优化多个业务目标，承担起更多的业务收益。如电商场景：希望能够同时优化点击率和转换率，使得平台具备更加的目标；信息流场景，希望提高用户点击率的基础上提高用户关注，点赞，...]]></description><category></category></item><item><title><![CDATA[TensorFlow 2.0 | Tensor的维度变换整理]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105822275</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105822275</guid><author>Super_Json</author><pubDate>Tue, 28 Apr 2020 19:54:40 +0800</pubDate><description><![CDATA[目录

1. 张量变形(reshape)

2. 维度增减

2.1维度增加(expand_dims)

2.2 维度删除(squeeze)

3. 维度交换(transpose)

4. 张量合并

4.1 张量拼接(concat)

4.2张量堆叠(stack)

5. 张量分割(split)

神经网络搭建过程中，维度变换是最重要的操作之一，通过切换数据形式，从而满足不同场景的运算...]]></description><category></category></item><item><title><![CDATA[排序学习（Learning to rank）综述]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105756702</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105756702</guid><author>Super_Json</author><pubDate>Sat, 25 Apr 2020 21:05:50 +0800</pubDate><description><![CDATA[一：背景介绍

在互联网搜索诞生之初，检索模型所依赖的特征是相对简单的，这些特征的设计主要是基于查询词与文档的匹配程度，所用到的信息比如TF-IDF等。在互联网不断发展的今天，更多复杂而有效设计的特征被应用到检索计算里面，比如查询与文档深层次匹配，网页pagerank等，人工参数调整已经不能满足需求，此时机器学习被应用到这项任务中，同时由于互联网海量数据的特点，比如展现点击日志，基于大数据的lea...]]></description><category></category></item><item><title><![CDATA[推荐系统 - 专栏目录]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105473626</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105473626</guid><author>Super_Json</author><pubDate>Sun, 12 Apr 2020 18:57:38 +0800</pubDate><description><![CDATA[本文收录在推荐系统专栏，专栏系统化的整理推荐系统相关的算法和框架，并记录了相关实践经验，所有代码都已整理至推荐算法实战集合(hub-recsys)。


通往机器学习算法工程师的进阶之路是崎岖险阻的，为了系统化的记录自己在推荐系统方向的学习和实践经验，特意开启了这个专栏进行了记录，主要涵盖「推荐系统基本概念」、「经典推荐算法」、「深度推荐算法」三大部分，并从原理和结构，优势和不足，实践和应用等方...]]></description><category></category></item><item><title><![CDATA[推荐系统 - 矩阵分解(SVD)原理和实战]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105348791</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105348791</guid><author>Super_Json</author><pubDate>Sat, 11 Apr 2020 16:19:55 +0800</pubDate><description><![CDATA[一. 特征分解

1.1 特征求解：

1.2 标准化：

1.3 特征分解条件

二. SVD

2.1 定义

2.2 求解方法

2.3 相关特性　

2.4 SVD的python实现

2.5 SVD在PCA中的应用

三. 推荐系统中的SVD

3.1 问题定义

3.2 SVD应用

3.2.1 traditional-SVD

3.2.2FunkSVD

3.2.3 BiasSVD

3.2.4SVD++

3.3 矩阵分解推荐小结

3.4 SVD实现用户评分预测(MovieLens数据]]></description><category></category></item><item><title><![CDATA[推荐系统 - 深度兴趣网络DIN(Deep Interest Network)浅析和实现]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105334936</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105334936</guid><author>Super_Json</author><pubDate>Mon, 06 Apr 2020 15:26:38 +0800</pubDate><description><![CDATA[本文收录在推荐系统专栏，专栏系统化的整理推荐系统相关的算法和框架，并记录了相关实践经验，所有代码都已整理至推荐算法实战集合(hub-recsys)。


目录

一. 论文浅析

1.1 注意力机制-attention

1.2激活函数-Dice

1.3 评价指标-GAUC

1.4自适应正则-Adaptive Regularization

二.代码解读

2.1 数据处理

2.2 ...]]></description><category></category></item><item><title><![CDATA[推荐系统 - FM模型原理和实践]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/105324546</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/105324546</guid><author>Super_Json</author><pubDate>Sun, 05 Apr 2020 20:00:51 +0800</pubDate><description><![CDATA[一. FM概述

FM（Factorization Machines，因子分解机），简称FM模型，由Steffen Rendle于2010年在ICDM上提出。FM模型是一种通用的预测方法，主要有以下的特点和优势，基于此在推荐系统和计算广告领域[如: CTR预估(click-through rate)]具备良好的表现。

特征组合：除了单特征外，特征组合对于推荐排序是非常非常重要，的往往要对特...]]></description><category></category></item><item><title><![CDATA[论文阅读:Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/85537938</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/85537938</guid><author>Super_Json</author><pubDate>Tue, 01 Jan 2019 14:29:20 +0800</pubDate><description><![CDATA[本文是阿里发表在KDD 2018，基于Graph Embedding实现淘宝首页推荐召回。主要通过用户点击的行为历史构建item图，学习图上所有item的embedding。同时为了解决可扩展性（scalability）、稀疏性（sparsity）、冷启动问题（cold start），在Item图的基础上，增加 item 的额外信息（例如category, brand, price等）丰富ite...]]></description><category></category></item><item><title><![CDATA[深度学习中的反向传播方法—BackPropagation]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/85019124</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/85019124</guid><author>Super_Json</author><pubDate>Wed, 19 Dec 2018 16:40:47 +0800</pubDate><description><![CDATA[最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充，但是补充的又是错的，难怪觉得有问题。反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，或者看到大篇的公式觉得好像很难就退缩了，其实不难，就是一个链式求导法则反复用。如果...]]></description><category></category></item><item><title><![CDATA[TensorFlow学习笔记 —— tf.train.Optimizer]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84995507</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84995507</guid><author>Super_Json</author><pubDate>Thu, 13 Dec 2018 21:42:36 +0800</pubDate><description><![CDATA[反正是要学一些API的，不如直接从例子里面学习怎么使用API，这样同时可以复习一下一些基本的机器学习知识。但是一开始开始和以前一样，先直接讲类和常用函数用法，然后举例子。 
这里主要是各种优化器，以及使用。因为大多数机器学习任务就是最小化损失，在损失定义的情况下，后面的工作就交给优化器啦。 
因为深度学习常见的是对于梯度的优化，也就是说，优化器最后其实就是各种对于梯度下降算法的优化。 
理论部分可...]]></description><category></category></item><item><title><![CDATA[TensorFlow学习笔记 —— tf.nn.nce_loss]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84990851</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84990851</guid><author>Super_Json</author><pubDate>Thu, 13 Dec 2018 17:08:43 +0800</pubDate><description><![CDATA[Tensorflow 的NCE-Loss的实现和word2vec

这两天因为实现mxnet的nce-loss，因此研究了一下tensorflow的nce-loss的实现。所以总结一下。

先看看tensorflow的nce-loss的API：


def nce_loss(weights, biases, inputs, labels, num_sampled, num_classes,
   ...]]></description><category></category></item><item><title><![CDATA[深度学习在推荐领域的应用lookalike]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84967052</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84967052</guid><author>Super_Json</author><pubDate>Thu, 13 Dec 2018 16:23:31 +0800</pubDate><description><![CDATA[lookalike系统是帮助广告投放商利用种子用户找到相似的用户，实现更精准的营销触达的系统。常见的looklike可以分为显性定位和隐性定位，

1.显性定位，根据用户标签直接定位，包括用户基本信息、兴趣等，需要实现对用户标签信息的挖掘

2.隐性定位，利用算法进行定位 • 技术：机器学习

当2012年Facebook在广告领域开始应用定制化受众（Facebook Custom Audienc...]]></description><category></category></item><item><title><![CDATA[IJCAI-18 阿里妈妈搜索广告转化预测方案复现]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84951958</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84951958</guid><author>Super_Json</author><pubDate>Tue, 11 Dec 2018 11:10:07 +0800</pubDate><description><![CDATA[开源代码：https://github.com/YouChouNoBB/ijcai-18-top2-single-mole-solution]]></description><category></category></item><item><title><![CDATA[iForest的算法原理和详解]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84944707</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84944707</guid><author>Super_Json</author><pubDate>Mon, 10 Dec 2018 19:11:33 +0800</pubDate><description><![CDATA[
&quot;An outlier is an observation which deviates so much from other observations as to arouse suspicions that it was generated by a different mechanism.&quot;

异常检测 (anomaly detection)，或者又被称为“离群点检测” (outlier ...]]></description><category></category></item><item><title><![CDATA[Local Outlier Factor(LOF) — 局部异常因子算法]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84871201</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84871201</guid><author>Super_Json</author><pubDate>Fri, 07 Dec 2018 10:55:32 +0800</pubDate><description><![CDATA[占坑]]></description><category></category></item><item><title><![CDATA[常见的机器学习性能衡量方法]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84673520</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84673520</guid><author>Super_Json</author><pubDate>Sat, 01 Dec 2018 15:26:12 +0800</pubDate><description><![CDATA[
在构建模型并调优时，关键的一步是确认模型的评估标准。对于常见的监督学习而言，主要有分类和回归两类；1.回归的评价指标主要有MSE，RMSE，MAE。2.分类的评价指标有精确率、召回率、F1、AUC和ROC曲线。评价指标之间相互联系，同时而且相互之间是有关系的，只是侧重点不同。下面对所有评价指标展开介绍。


1.回归

a. 均方误差 (Mean Squared Error, MSE)



均...]]></description><category></category></item><item><title><![CDATA[Xgboost原理、代码、调参和上线实录]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/84671079</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/84671079</guid><author>Super_Json</author><pubDate>Sat, 01 Dec 2018 10:56:20 +0800</pubDate><description><![CDATA[对于一个算法工程师而言，xgboost应该算的上是起手式，网上也有各式各样的教程，这篇博客主要从原理、代码、调参和上线进行覆盖，进而构建一个直观的算法体系；

 

 

 

生成的二叉树是满二叉树还是完全二叉树？

 

调参方法

param = {

        # step size

        'eta': 0.1,

        # model param, the w...]]></description><category></category></item><item><title><![CDATA[TensorFlow学习笔记 —— 基础概念]]></title><link>https://blog.youkuaiyun.com/Super_Json/article/details/83865246</link><guid>https://blog.youkuaiyun.com/Super_Json/article/details/83865246</guid><author>Super_Json</author><pubDate>Thu, 08 Nov 2018 17:48:54 +0800</pubDate><description><![CDATA[计算图

计算图是TensorFlow中最基本的一个概念，TensorFlow中的所有计算都会被转化为计算图上的节点。

TensorFlow程序一般分为两个阶段。在第一个阶段需要定义计算图中所有的计算，第二个阶段为执行计算，得到计算结果。

在TensorFlow程序中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数可以获取当前默认的计算图。除了使用默认的计算图...]]></description><category></category></item></channel></rss>