lezhuximing的博客

（1）对于有多个局部极值点的函数，容易陷入到局部极值点中，得不到正确的结果。造成这种问题的原因是PSO算法并没有很充分地利用计算过程中获得的信息，在每一步迭代中，仅仅利用了群体最优和个体最优的信息。（4）PSO算法是一种启发式的仿生优化算法，当前还没有严格的理论基础，仅仅是通过对某种群体搜索现象的简化模拟而设计的，但并没有从原理上说明这种算法为什么有效，以及它适用的范围。粒子群算法也是多目标搜索，有利于得到多目标意义下的最优解，可以并行的探索多个非劣解，也探索到多个pareto解。

内容：itemCF算法通过计算用户的历史行为记录，来分析物品之间的相似度：如果喜欢物品a的用户大多数也喜欢物品b，那么认为物品A与物品B具有一定的相似度。精度（准确率和召回率）：准确率和召回率与参数k并不呈正相关或者负相关，但是选择合适的K对于获得推荐系统高的精度比较重要。流行度：随着K的增大，推荐结果的流行度会逐渐提高，但是当K增加到一定的程度，流行度就不会再有明显变化。除此之外，不同领域的最热门物品之间的相似度往往也是很高的。活跃的用户，相比起不活跃的用户而言，对物品之间相似度的贡献更小。

美团DSP广告策略实践：https://tech.meituan.com/2017/05/05/mt-dsp.html。广告召回系统的演进：https://zhuanlan.zhihu.com/p/110112102。

在double-log的基础上对数据进行去偏处理后再建模。

同上：https://fesian.blog.youkuaiyun.com/article/details/126798583?为什么基于树的模型在表格数据上仍然优于深度学习：https://blog.youkuaiyun.com/deephub/article/details/126580032。

一种面向多场景多任务优化的自动稀疏专家选择方法，它通过简洁有效的架构，实现了样本级细颗粒度的自动网络结构学习，对各种场景结构有较强的普适性。论文已被 SIGIR2022 录用，同时已经在支付宝数金搜索场景上进行了全流量推全，获得了显著的业务效果。

电商商品定价三个关键问题：在只有观测数据的时候，怎么构建价格弹性，现在来看这就是一个反事实推断的问题，不仅是如何做的问题，还有如何评估的问题。长周期的规划决策问题怎么建模 & 求解，如何在决策优化中考虑不确定性。这种pricing的问题，在现实世界中如何做A/B、如何科学评估效果。采取促销时，使得利润最优的价格折扣应该是多少？（关于价格弹性曲线拟合以及价格优化）易腐商品多个阶段的动态定价问题。这个问题中需求学习的主要挑战在大部分商品的价格并不会经常变动，甚至从未变动过。