记录知识，学习分享

传统划分：1、召回根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。特点：速度快。2、排序可以融入较多特征，使用复杂模型，来精准地做个性化推荐。特点：结果精准。精细划分：1、召回（多路召回）根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。2、粗排（可用可不用，根据场景选择）通过少量用户和物品特征，简单模型，对召回的结果进行个粗略的排序，保证一定精准的前提下，进一步减少选取的物品数量。作用：防止用户召回环..

样本不平衡问题样本不均衡：数据集中不同数据类别的比例差距比较大，即有的类别数据量很多，有的类别数据量很少。产生了一种类别样本分布不平衡的现象。比如，类别样本比例：1：2到1：10（轻微不平衡），超过1：10（严重不平衡）。解决方法一般常见解决方法分为数据层面和算法层面。1、数据层面（采样、数据合成、数据增强）数据增强：直接复制小类样本，对小类样本数据经过一定的处理，做一些小的改变等。1）采样（随机采样）：随机欠采样：从多数类样本集中随机选择较少的样本（有放回/无放回）

整体框架图：自注意力1、2、3、4、5、6、多头位置编码残差网络

1、准确率(Accuracy)定义：公式：优缺点：2、精确率(Precision)3、召回率(Recall)4、命中率(Hits Ratio)5、平均精度均值(Mean average precision)6、平均倒数排名(Mean Reciprocal Rank)7、归一化折损累计增益(Normalized Discounted Cumulative Gain)...

激活函数是确定神经网络输出的数学方程式。激活函数的作用：给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数。1、附加到网络中的每个神经元，并根据每个神经元的输入来确定是否应激活。2、有助于将每个神经元的输出标准化到1到0或-1到1的范围内。常用非线性激活函数对比 激活函数 公式 函数图像 适合场景 Softmax 多分类任务输出层 Sigmoid 二分类任务输出层，模型隐藏层 Tanh

一、均方误差（Mean Squared Error）表示预测值和原始值对应点误差的平方和的均值，常用于线性回归问题。公式：m表示样本数量。二、交叉熵（cross entropy):极其有意思的现象：A和B的交叉熵 = A与B的KL散度 - A的熵。信息论1、信息量含义：越不可能发生（概率越小）的事件发生了，其信息量就越大。公式：表示：负对数函数。2、熵含义：所有信息量的期望。公式：不确定性越大熵越大。相对熵&KL散度（Kullback-L.