长相忆兮长相忆的专栏

Reinforcement Learning是机器学习的重要分支，其核心在于‌智能体（Agent）通过与环境的动态交互学习最优决策策略‌，以最大化长期累积奖励。

保序回归平滑校准算法（SIR）通过分桶合并+线性插值解决广告预估偏差问题，核心是保持原始排序下纠偏。具体步骤：1）按预估分升序分桶，统计每个分桶的后验CTR；2）合并逆序桶重新计算均值，确保Pctr-Actr散点单调递增；3）用分段线性函数拟合校准曲线，保证平滑性。优势在于利用保序思想缓解数据稀疏，兼具轻量化和可解释性，实测提升RPM/CTR/ROI。

MMoE是谷歌在2018年发表在KDD上的一篇基于多任务学习的经典论文，其使用场景是对不相关任务的多任务学习。在推荐系统中，这些不相关的任务可以示例为：视频流推荐中的CTR、时长、点赞、分享、收藏、评论等相关性不强的多个任务。

强化学习（Reinforcement Learning, RL），又称增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。...

DSSM，全称Deep Structured Semantic Model，就是我们通常所说的双塔模型，是微软公司提出的一种基于深度网络的语义模型，其核心思想是将query和doc映射到到共同维度的语义空间中，通过最大化query和doc语义向量之间的余弦相似度，从而训练得到隐含语义模型，达到检索的目的。DSSM有很广泛的应用，比如：搜索引擎检索，广告相关性，问答系统，机器翻译等。

DeepFM模型是由哈尔滨工业大学和华为实验室联合提出的，将FM模型结构与Wide&Deep模型进行了融合。DeepFM可以同时提取低阶组合特征与高阶组合特征。其中，FM模型负责提取一阶特征以及两两交叉特征；DNN模型负责提取高阶特征。相比于谷歌最新的Wide&Deep模型，DeepFM模型的Deep component和FM component从Embedding层共享数据输入，同时不需要专门的特征工程，在推荐系统中取得了不错的推荐效果。

推荐系统、机器学习常见面试题整理。

FM算法是一种基于矩阵分解的机器学习算法，是为了解决大规模稀疏数据中的特征组合问题。在传统的线性模型如LR中，每个特征都是独立的，如果需要考虑特征与特征之间的交互作用，可能需要人工对特征进行交叉组合；非线性SVM可以对特征进行kernel映射，但是在特征高度稀疏的情况下，并不能很好地进行学习；现在也有很多分解模型Factorization Model如矩阵分解MF、SVD++等，这些模型可以学习到特征之间的交互隐藏关系，但基本上每个模型都只适用于特定的输入和场景。为此，FM出现了。

系统版本：Ubuntu 16.04Euler目前开源的版本是Euler2.0，仅支持Python2，所以在安装的时候，为了避免不必要的坑，将系统的python版本设置成python2.7以上，这里以python2.7.12为例。（pip的版本要与python的版本对应）安装参考：Euler2.0编译安装尝试过从PyPI安装，貌似遇到了一些问题，弃掉从编码编译安装。（直接pip安装的那个是为了单机用户准备的，所以没有编译hdfs的部分）。具体安装流程：1、获取源码git clon...

本博文主要对业界短视频推荐领域做一个系统概览，包括推荐系统与架构、召回算法与策略、排序算法的演进、分发策略的控制四大部分。

本文主要是对Google的word2vec源码进行了一些简单的注释，希望能够帮助对源码的学习与理解。

本文主要介绍Google官网提供的word2vec工具：word2vec，计算词的连续分布表示的工具。本文并不涉及word2vec算法的原理与细节，只是简单的介绍了word2vec这个工具及一些在实践中的表现等。word2vec工具提供了CBOW模型和skip-gram模型计算词的向量表示的有效实现。这些表示能够随后应用在后期的NLP应用和进一步研究中。

首先，给出本人使用的Mac信息，不同的系统信息需要配置不同的工具。在介绍适合自己的配置方法之前，列车本文参考的两篇博客，供参考。1、http://blog.youkuaiyun.com/taigw/article/details/506832892、http://www.linuxidc.com/Linux/2016-09/135026.htm