<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ryan_here的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ryan_here</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ryan_here]]></copyright><item><title><![CDATA[工业级推荐系统]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/136813325</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/136813325</guid><author>ryan_here</author><pubDate>Sat, 23 Nov 2024 14:07:58 +0800</pubDate><description><![CDATA[判断已曝光，可能有误判）滑动窗口MMR：将最近加入的n个物品作为滑动窗口w，代替整个选中的物品，防止在后期sim总是等于1使得MMR失效。（用户ID、用户离散特征、用户连续特征）-> (concatenate)神经网络 -> 用户特征。（物品ID、物品离散特征、物品连续特征）->(concatenate) 神经网络 -> 物品特征。可能影响sim的值，导致两个不相关的物品被误判为高度相关，影响推荐。极化：softmax输出值一个接近1，其余接近0，接近0的时候对应的专家神经网络失效。]]></description><category></category></item><item><title><![CDATA[前端格式（自己记录）]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/141754647</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/141754647</guid><author>ryan_here</author><pubDate>Sat, 31 Aug 2024 16:59:52 +0800</pubDate><description><![CDATA[这三个属性常常一起使用，通常通过flexflex是flexGrowflexShrink和flexBasis的简写。例如，表示该项目可以增长（）、可以缩小（），并且基础大小为100px。通过合理设置这三个属性，可以灵活控制布局中各个项目的大小和行为，确保在不同屏幕尺寸和容器大小下的良好适应性。]]></description><category></category></item><item><title><![CDATA[深入理解异步、Promise、Async & Await]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/141222415</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/141222415</guid><author>ryan_here</author><pubDate>Thu, 15 Aug 2024 17:38:49 +0800</pubDate><description><![CDATA[异步的出现是为了解决同步阻塞的问题，也就是一行一行执行指令的，当遇到某个指令需要耗费大量时间的时候，后面的指令就无法执行，这种同步执行的操作容易使页面呈卡死状态。方法可以处理 Promise 对象成功的情况）Promise状态变为fulfilled时），接受一个回调函数作为参数，回调函数的参数就是异步操作的结果。await的意思是等待后面表达式的结果，所以意思就是立即执行await后面的表达式，然后.then{ await后面的语句}。创建Promise对象的时候传递的参数是一个执行器函数，参数是。]]></description><category></category></item><item><title><![CDATA[前端运行时及开发框架]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/135748056</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/135748056</guid><author>ryan_here</author><pubDate>Fri, 09 Aug 2024 00:57:33 +0800</pubDate><description><![CDATA[【代码】前端的一些概念。]]></description><category></category></item><item><title><![CDATA[计算机网络 HTTP协议]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/139786363</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/139786363</guid><author>ryan_here</author><pubDate>Wed, 19 Jun 2024 00:33:00 +0800</pubDate><description><![CDATA[请求体（RequestBody）是在HTTP协议中用于传输客户端向服务器发送的数据的部分。它是HTTP请求中可选的组成部分,用于向服务器传递请求所需的参数、内容或者数据。响应体（ResponseBody）是在HTTP协议中用于传输服务器响应给客户端的数据的部分。它是HTTP响应中的一个组成部分,包含了服务器返回的实际响应内容。它是服务器在响应客户端请求时发送给客户端的一部分响应信息,包含了服务器的相关配置和响应内容的描述。安全，因为数据在地址栏上不可见然而，从传输的角度来说，他们都是不安全的，因为。]]></description><category></category></item><item><title><![CDATA[Leveraging Large Language Models in Conversational Recommender Systems论文精读]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/136191389</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/136191389</guid><author>ryan_here</author><pubDate>Tue, 20 Feb 2024 17:22:18 +0800</pubDate><description><![CDATA[概念列表的生成是通过在LLM中学习或微调中获得的，这使得LLM能够通过自然的任务（提取对话中的关键概念）来学习语境。使用搜索算法对语料库中的物品进行准确或模糊匹配，推荐引擎在这个过程中的作用仅限于进行简单的匹配操作。LLM必须学会通过其预训练和一个语料库特定的微调阶段输出这些物品的ID或标题。排序模块不需要在大型语料库上执行可处理的搜索，因此在可能的计算类型方面受到的约束较小。利用LLM构建对话推荐系统（CRS），增强推荐系统的可互动性和可解释性（传统推荐系统采用隐式指标，如点击率等）]]></description><category></category></item><item><title><![CDATA[GPT系列论文核心]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/136100439</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/136100439</guid><author>ryan_here</author><pubDate>Mon, 12 Feb 2024 12:28:26 +0800</pubDate><description><![CDATA[难点二：如何把预训练学到的表征迁移到子任务transfer learned representations to the target task。无label训练 + 有监督学习。]]></description><category></category></item><item><title><![CDATA[github命令]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/134528354</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/134528354</guid><author>ryan_here</author><pubDate>Mon, 27 Nov 2023 02:35:11 +0800</pubDate><description><![CDATA[origin是默认的远程仓库的名字。]]></description><category></category></item><item><title><![CDATA[目标检测总结]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/132326250</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/132326250</guid><author>ryan_here</author><pubDate>Wed, 20 Sep 2023 10:52:45 +0800</pubDate><description><![CDATA[参考基于深度学习的目标检测算法主要分为两类：Two stage和One stage。]]></description><category></category></item><item><title><![CDATA[主成分分析法]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/132959798</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/132959798</guid><author>ryan_here</author><pubDate>Mon, 18 Sep 2023 02:46:22 +0800</pubDate><description><![CDATA[我们知道，PCA是将已存在的特征进行压缩，降维完毕后的特征不是原本的特征矩阵中的任何一个特征，而是通过某些方式组合起来的新特征。（如线性回归等），因为无法解释的新特征和标签之间的关系不具有意义。高维数据降维（合并带有重复信息的特征，删除带有无效信息的特征）1.  避免维度灾难：维度过多导致的精度下降。4.特征值从小到大排列，保留k个最大的特征值。不适用于探索特征和标签之间的关系的模型。2.  压缩数据的同时让信息损失最小。因此，以PCA为代表的降维算法是一种。5.根据对应特征向量求新的特征空间。]]></description><category></category></item><item><title><![CDATA[科学调参方法]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/132131725</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/132131725</guid><author>ryan_here</author><pubDate>Sun, 06 Aug 2023 22:06:04 +0800</pubDate><description><![CDATA[贝叶斯优化的工作方式是通过对目标函数形状的学习，找到使结果向全局最大值提升的参数。在每一次使用新的采样点来测试目标函数时，它使用这个信息来更新目标函数的先验分布。然后，算法测试由后验分布给出的，全局最值最可能出现的位置的点。（Probability Surrogate model）如 高斯过程：根据有限的观测值对函数的分布进行估计 【目前最普及的优化库中使用的是高斯混合模型】采集函数是用来确定下一个观测点的规则，关注采集函数的最大值点，【大部分优化库中默认使用期望增量】通过迭代使得f*逼近f。]]></description><category></category></item><item><title><![CDATA[对图像的读取操作汇总（修改、更新）]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/131990269</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/131990269</guid><author>ryan_here</author><pubDate>Wed, 02 Aug 2023 04:12:56 +0800</pubDate><description><![CDATA[图像数据最标准的格式应该是uint8 8个字节，值是0-255有些图像操作会涉及到0-1的float32格式是因为在模型中，0-1的数被需要用来进行快速运算在读取图像时使用Image.open/cv2.imread, 结果大小应该是按照图像格式来的（uint8、uint16、uint32）]]></description><category></category></item><item><title><![CDATA[贝叶斯理论]]></title><link>https://blog.youkuaiyun.com/ryan_here/article/details/131828355</link><guid>https://blog.youkuaiyun.com/ryan_here/article/details/131828355</guid><author>ryan_here</author><pubDate>Thu, 20 Jul 2023 15:06:54 +0800</pubDate><description><![CDATA[用于特征相互独立的分类问题优点：1. 算法逻辑简单,易于实现2. 分类过程中时空开销小缺点：1. 特征间的相互独立难以保证，导致分类效果不好2. 只适用于特征较少的情况n维特征相互独立的，y有k个类别。]]></description><category></category></item></channel></rss>