- 博客(29)
- 收藏
- 关注
RSS订阅
原创 学习周报二十九
看了论文美团工业级架构推荐算法2025，美团在2025年提出的工业级推荐算法架构MTGR。它通过创新的模型架构（HSTU+GLN+动态掩码）统一建模异构信息并解决信息泄露问题；同时，利用动态哈希表和负载均衡等工程优化，有效处理大规模稀疏特征与长尾行为序列，实现高效训练与推理，为推荐系统的大规模工业级落地提供了性能提升与成本可控的解决方案。对学期做一个简单总结。
2026-01-04 18:14:02
551
原创 学习周报二十八
传统生成式推荐模型（GRM）为追求扩展性而丢弃关键交叉特征，导致性能不可逆下降的问题，美团提出了工业级生成推荐框架MTGR。该框架通过 “数据重组-模型架构-系统优化” 的协同设计，在保留全部深度学习推荐模型（DLRM）特征的基础上，实现了高效的模型缩放。对这篇论文进行了学习。总结一下：聚合复用了用户特征，较少计算，从而可以扩大规模。令牌话保证特征不丢失，性能无影响，同时统一格式可以采用transformer架构，允许模型按缩放定律扩大。
2025-12-28 14:41:44
697
原创 学习周报二十七
一、介绍了一篇论文如何利用LLM增强推荐系统的数据，解决数据稀疏性问题，提升推荐性能。关键技术：结构化Prompt，候选池筛选，BPR损失优化。二、针对高维多目标优化问题，传统算法NSGA-II在10目标WFG4问题上，拥挤距离机制因维度爆炸失效，学习RVEA算法如何通过参考向量引导机制克服传统算法的缺陷，获得更好的多样性和收敛性。在看论文的基础上，分析了论文的数据流程，学习在传统推荐算法上如何采用大模型的方式解决传统算法的缺点，学习了数据设计，promopt构造，BPR损失优化等要点。
2025-12-21 17:00:08
924
原创 学习周报二十六
本文基于ACM网络搜索与数据挖掘国际会议的一篇论文，介绍了名为 LLMRec 的创新推荐系统框架。该框架的核心是利用大型语言模型对推荐系统的交互图进行三方面增强，以解决传统推荐系统长期面临的数据稀疏、冷启动和语义信息缺失等核心痛点。本周学习了一篇关于推荐算法较新的论文，有很多基础知识未了解透彻，需要学习，不过找论文学习知识的方式没问题。
2025-12-14 16:47:05
525
原创 学习周报二十五
学习了无监督学习（PCA）、强化学习（Q-learning）的核心原理，以及神经网络与推荐算法结合的实践实现。阐述 PCA 作为线性降维方法的原理、步骤、应用场景，分析其在大模型和深度神经网络中不适用的原因及有限应用场景；其次介绍强化学习的核心框架、Q-learning 算法的原理与贝尔曼更新方程，以及神经网络如何解决传统强化学习的维度灾难问题；
2025-12-07 19:09:05
642
原创 学习周报二十四
本周学习无监督学习中的推荐算法，涵盖协同过滤算法、基于内容推荐及神经网络推荐三大技术路径。在协同过滤算法分析了线性回归和逻辑回归，引出基于内容推荐算法，同时关注最新与深度神经网络相关的推荐系统基本内容。传统推荐方法依赖人工特征设计，不能很好适应现如今的AI赋能；深度学习模型会通过自动特征学习和端到端训练，提升复杂模式挖掘能力。计划下周完成神经网络模型实践。
2025-11-30 19:41:57
1020
原创 【无标题】学习周报二十三
本周围绕无监督异常检测、遗传算法及CNN文本情感分类三种算法。在异常检测讲了基于高斯分布的无监督算法原理，包括单变量与多变量高斯模型的数学基础、实现逻辑，并通过网站流量模拟数据完成算法对异常事件的识别能力；在智能优化方面，介绍了遗传算法的核心思想与流程，以家庭温控系统为例，构建包含空调温度调节与窗户开启时长优化的数学模型；在CNN，基于双向 LSTM 的 IMDb 影评情感分类模型训练流程设计。遗传算法是一种模仿自然界生物进化过程（达尔文的“物竞天择，适者生存”原理）的元启发式算法，用于解决优化和搜索问题。
2025-11-22 20:48:28
613
原创 学习周报二十二
本周继续学习深度学习，并实践。学习了深度学习的无监督学习定义，聚类算法中的K-Means；在CNN学习实践中，根据一些任务要求训练模型。深度学习内容计划进行无监督部分基础，神经网络方面结合代码学习算法并实践。CNN继续内容实践相结合学习。学了一点matlab软件内容。
2025-11-16 18:54:33
1009
原创 学习周报二十一
本周继续学习深度学习，并实践。学习了深度学习的决策树的集成，随机森林算法，XGBoost算法、决策树的使用场景；在CNN学习实践中，实现CIFAR-10图像分类，包括下载数据，实验 ，训练，可视化评测。pytorch代码方面对基础增加了损失函数和优化器、模型保存与加载、GPU加速、卷积神经网络、图像变换、完整循环以及梯度裁剪。ResNet:网络深度增加到一定程度时，模型的准确率会饱和甚至下降。
2025-11-09 18:17:33
851
原创 学习周报二十
本周继续学习深度学习，并实践。学习了深度学习的倾斜数据误差指标（下面CNN实践用上）、决策树、回归树；在CNN学习实践中，对上周训练加了可视化，并增加了新的数据识别。深度学习内容马上需要换课程学习，下周计划多找些内容，CNN需要进行新的项目-图像分类（基础）。pytorch实践本周并没进行，下周加上。论文学习需要加上。
2025-11-02 18:49:47
659
原创 学习周报十九
本周继续学习深度学习，并实践。学习了深度学习的模型循环迭代、误差分析，数据的相关内容，项目周期；在CNN中，加了部分数据（有点简单），学了点pytorch的代码。深度学习主要是完整周期的学习、数据增强部分的内容与迁移学习，在下面CNN实践上增加了数据，下周计划再加上多一点输出和数据，并迁移学习下其他优秀的模型参数。最后的pytorch实践部分内容基础，下周继续加东西。英语需要每日学。
2025-10-26 15:03:34
1059
原创 学习周报十八
本周继续学习深度学习，并实践。学习了深度学习的模型评估与选择，了解偏差方差的重要作用；了解了《Attention Is All You Need》论文部分；对之前的CNN代码进行部分改进。深度学习部分进度不大，但很有用。论文方面，学了之后发现有很多内容没有学习，而且对现在AI的整体内容，框架还没有把握，导致学习总体的进展较小，需要改进加强。同时，英语要进行重点学习，有点读不懂论文。最后的CNN实践部分基础内容要加快。
2025-10-19 18:54:50
909
原创 学习周报十七
本周继续学习深度学习，并实践。学习了深度学习的模型评估与选择的部分内容，简单跑一个图片识别的模型，理解并学习CNN。本周时间大部分放在了跑deep seek大模型上，深度学习的部分主要围绕模型的评估与选择，而代码实践围绕在CNN的练习上。内容较少，下周计划学习论文的发表，并看几篇论文。
2025-10-12 14:34:21
900
原创 学习周报十六
本周继续数理统计、深度学习展开学习。学习了数理统计的一元线性回归；继续学习了深度学习的adam算法、卷积神经网络。本周完成了数理统计最后的学习，在深度学习方面学习了一个新的参数更新adam算法，了解了下卷积神经网络（上周的小模型测试），这周主要跑了deep seekR1的推理，结果不太理想，下周重点学习。
2025-10-05 18:49:40
574
原创 学习周报十五
本周继续围绕概率论与数理统计、深度学习展开学习。学习了概率论的协方差、大数定理、中心极限定理；数理统计的假设检验；继续学习了深度学习的多类，简单尝试跑模型了一个图片识别的模型。This week, I continued to focus on probability theory and mathematical statistics, as well as deep learning. I studied covariance, the law of large numbers, and the cen
2025-09-28 17:36:33
1050
原创 学习周报十四
本周继续围绕概率论与数理统计、深度学习展开学习。学习了概率论的方差；数理统计的置信区间求解、假设检验的部分内容；继续学习了深度学习的神经网络实现，tensorflow的实现，简单尝试跑模型。This week we continued our studies on probability theory and mathematical statistics, as well as deep learning. We learned about the variance in probability theo
2025-09-21 16:39:55
1053
原创 学习周报十三
本周继续围绕概率论与数理统计、深度学习展开学习。学习了概率论的期望；数理统计的条区间估计；继续学习了深度学习的前向传播，tensorflow的构建模型；简单总结了院士报告会的内容。本周的学习中，概率论、数理统计方面进一步学习。深度学习方面继续学习了神经网络的相关内容，总结了一点点院士报告会的内容。概率论、数理统计的东西要加快了，在三周之内学完，最好更快；深度学习的内容需要更多的学习代码了。
2025-09-14 18:11:47
959
原创 学习周报十二
本周围绕国防科技大学吴翊老师以及哈尔滨工业大学的方茹老师学习概率论与数理统计、机器学习（深度学习）、python展开学习，学习了概率论与数理统计的条件分布，数理统计的估计量的有效性和相合性，继续学习了机器学习（深度学习），复习了python。本周的学习中，概率论、数理统计方面进一步学习，python的复习基础已大体完成，剩下就是代码练习和进阶，机器学习已经按照进程进入到深度学习，需要加快。下周目标跟着方茹老师的概率论与数理统计，吴恩达老师的机器学习，练习python代码。
2025-09-07 16:28:06
960
原创 学习周报十一
本周继续进行了机器学习，主要学习的是机器学习中拟合问题，包括内容，特点，解决过拟合的方法，以及使用正则化方法解决过拟合。本周主要学习机器学习，主要学习的是机器学习中拟合问题，包括内容，特点，解决过拟合的方法，以及使用正则化方法解决过拟合。对于概率论、数理统计以及python的学习并没有衔接上，下周需要补强。
2025-08-31 16:04:04
658
原创 学习周报十
本周继续围绕国防科技大学吴翊老师的概率论与数理统计、机器学习、python展开学习，学习了概率论的条件分布，数理统计的估计量判断标准中无偏性标准，继续学习了机器语言。本周的学习中，机器学习方面进一步学习，但是相关代码练习有问题；python的学习并不好，主要在于代码没实践。概率论和数理统计还行，下周目标继续跟着吴翊老师的概率论与数理统计，吴恩达老师的机器学习，以及加强python实践。
2025-08-24 10:21:26
899
原创 学习周报九
本周继续围绕国防科技大学吴翊老师的概率论与数理统计、机器学习、python展开学习，学习了概率论的边缘分布，数理统计的推断——极大似然估计，继续学习了机器语言、复习了python。本周的学习中，机器学习逐渐进入算法学习。python的学习加强，注意细节。数理统计的新章节需要加强，下周目标继续跟着吴翊老师的概率论与数理统计，吴恩达老师的机器学习，以及复习python。
2025-08-17 12:07:12
1114
原创 学习周报八
已知二维随机变量可以使用分布函数来刻画。离散型二维随机变量有Fxy∑xix∑yiypijFxy∑xix∑yiypij,可以使用联合分布律刻画。注：两个维度必须都是离散型的随机变量。二维连续型随机变量的联合（概率）密度函数：设二维随机变量XY(X,Y)XY的分布函数FxyF(x,y)Fxy满足，存在一个fxy≥0fxy≥0,使得∀xy∈R2∀xy∈R2。有Fxy。
2025-08-05 09:52:11
226
原创 学习周报七
描述：有些随机事件用一个随机变量无法描述，需要两个或者多个，如导弹的落点（X横坐标,Y纵坐标），人的血压（收缩压X,舒张压Y）等等。不能分开研究，要整体研究体现X与Y的关系，X与Y不是独立的。定义：称定义在SSS上的两个随机变量二元组XYXxYyXYXxYy))为二维随机变量或者随机向量\color{red} 向量向量注：等价的说法：二维随机变量是SSS到R2R^2R2的（可测）映射。常见情况一：样本空间S⊂R2S \sub R^2S⊂。
2025-07-29 10:05:33
1119
原创 学习周报六
定义：一般地，需要研究：设XXX为一随机变量，分布已知，YgXY=g(X)YgX,其中ggg为一确定的实函数，要求YYY的分布。例子：注：我们想知道的随机变量不是直接观测得到的随机变量，而是它的函数，因此需要变换。YYY的分布律。YYY的密度函数。
2025-07-25 23:37:31
1086
原创 学习周报五
注：U代表uniformly均匀的意思，前面有离散型泊松分布p、伯努利分布（两点分布），离散型为分布律、连续型为密度函数，两者都可以使用分布函数表示，右连续。注：均匀分布刻画在区间上的等可能。
2025-07-19 23:14:06
970
原创 学习周报四
0-1分布：又称两点分布或伯努利分布。设随机变量X的分布律为：则称X服从参数为ppp（0<p<1）的0-1分布。分布律：p{X=k}=pkp^kpk1−p1−k1−p1−k,k=0,1.常使用它表示两个状态的问题（即随机实验结果只有两个，称为伯努利实验）：（注：通常想要结果作为X=1)。（注：常见的有实验的成功与失败，产品的合格与不合格…）例子：二项分布：将伯努利试验独立的做n次，称为n重伯努利试验，设状态s1s2s_1,s_2s1s。
2025-07-11 22:16:30
319
原创 学习周报三
随机变量：对于随机试验的每一个结果（样本）对应一个实数。（有些样本不关心结果，关心的是结果的数量）例子：解：随机变量的定义：称一个（可测）映射XS→R1X ：S→R^1XS→R1为一个随机变量。（可测保证X刻画的子集都是事件。随机变量的分布函数：对于随机变量，关心的是X取值所体现的规律，即事件{X≤x},{X>x}…等发生的概率。随机变量的l分布函数的定义：对于随机变量X,定义函数F(x)=P{X≤xX \leq xX≤x},∀\forall∀x∈。
2025-07-05 21:28:43
658
原创 学习周报二
本周围绕国防科技大学吴翊老师的概率论与数理统计以及李宏毅老师的机器学习展开学习，第一部分主要包括古典概型、条件概率与独立性、全概率公式与贝叶斯公式。第二部分主要是机器学习的第一章。定义或者寻找损失函数L，计算预测数据与现实数据的误差，通常有绝对误差，均方误差等等，对于计算出的结果，进行w，b调整。可以划出等高线图本周重点学习了概率论与数理统计的古典概型、条件概率、全概率公式与贝叶斯公式，以及机器学习的基本情况，并未按照上周计划复习Python。下周计划重点任是概率论与数理统计，机器学习以及Python。
2025-06-29 14:57:02
691
原创 学习周报一
本周重新学习概率论与数理统计，围绕国防科技大学吴翊老师的课程学习。本周学习的知识点较少，下周计划继续学习概率论与数理统计以及初步学习李宏毅老师的机器学习，同时回顾Python语言。
2025-06-22 10:48:15
324
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人