十一城

ARMA自回归滑动平均模型（ARMA 模型，Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。AR：当前值只是过去值的加权求和。MA：过去的白噪音的移动平均。ARMA：AR和MA的综合ARIMAARIMA

核心参数num_leaves叶节点数与模型复杂度直接相关(leaf-wise)任务目标回归regression,对应的损失函数如下regression_l1,加了l1正则的回归，等同于绝对值误差regression_l2，等同于均方误差huber,Huber Lossfair,Fair Losspoisson,泊松回归分类binary,二分类multiclass,多分类排序lambdarank模型boostinggbdt,传统的梯度提升决策树

型号参数M40Tesla T4Tesla-K80

point-wise多样性是一个必要的指标，这导致了推荐结果极其发散。用户对推荐结果多样性的心智使得他不关注两个商品之间的比较，对于算法而言不再关注商品之间两两的比较，我只要每个都预测准了，反正最后也要打散的。而且多样性也导致了推荐场景没有像搜索一样适合做 pairwise 的样本pair-wise推荐领域用pair-wise效果不如point-wise，搜索使用pair-wise更好；pairwise 训练对搜索是有用的，对推荐的作用较小list-wise一般较少使用参考pairwise

fm系列

向量检索Locality Sensitive HashingFAISS

传统图挖掘端到端模型PageRank图表示学习两阶段模型 = 无监督表达学习 + 下游推荐任务算法示例 DeepWalk Node2Vec图神经网络端到端GraphSage

单任务学习：一次只学习一个任务（task），大部分的机器学习任务都属于单任务学习多任务学习：把多个相关（related）的任务放在一起学习，同时学习多个任务。多任务学习产生的原因？现在大多数机器学习任务都是单任务学习。对于复杂的问题，也可以分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。这样做看似合理，其实是不正确的，因为现实世界中很多问题不能分解为一个一个独立的子问题，即使可以分解，各个子问题之间也是相互关联的，通过一些共享因素或共享表示（share repres.

Multimodal Learning多源——来自同一数据源，比如社交网络包括照片 check-in数据等多模态——来自不同领域的数据异构多模态数据融合、多视角多模态数据是指对于一个待描述事物，通过不同的方法或角度收集到的数据。我们把收集这些数据的每一个方法或视角称之为一个模态（Modality）。 例如，在多模态的人脸识别中，多模态数据有可能由人脸的 2D 图像和 3D 形状模型这两个模态构成；在多模态的视频挖掘中，视频可以被分解为字幕、音频和图像等模态；网页中的文字和图片也可本看作不同的模态

Browse the State-of-the-Art in Machine Learning

FFM通过引入field的概念，FFM把相同性质的特征归于同一个field，相当于把FM中已经细分的feature再次进行拆分从而进行特征组合的二分类模型。FFM模型在FM中引入field概念，把n个特征划分到f个field里，模型参数相比FM增加了f倍，模型表达能力比FM模型更强。FM类算法的缺点是模型只能通过内积的方式对特征进行二阶交叉，对于更高阶的特征无法捕捉到。...

基于用户的协同过滤（User-based）算法基于物品的协同过滤（Item-based）算法