<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ty44111144ty的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ty44111144ty</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ty44111144ty]]></copyright><item><title><![CDATA[二阶优化方法——牛顿法、拟牛顿法(BFGS、L-BFGS)]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/101124123</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/101124123</guid><author>ty44111144ty</author><pubDate>Sat, 21 Sep 2019 22:45:57 +0800</pubDate><description><![CDATA[原文地址：二阶优化方法——牛顿法、拟牛顿法(BFGS、L-BFGS)

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



对于逻辑回归和最大熵模型等以似然函数为最优化目标的问题，一般常用的求解方法有梯度下降法、牛顿法和拟牛顿法等。梯度下降法是一阶优化方法。牛顿法和拟牛顿法是...]]></description><category></category></item><item><title><![CDATA[Airbnb中的id & type embedding（KDD2018）]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/101123823</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/101123823</guid><author>ty44111144ty</author><pubDate>Sat, 21 Sep 2019 22:41:07 +0800</pubDate><description><![CDATA[原文地址：Airbnb中的id &amp; type embedding（KDD2018）

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



上周介绍了盒马生鲜中对商品是怎么进行embedding的，以及怎样解决冷启动问题的。这周我们介绍一篇Airbnb中对酒店和用户进行...]]></description><category></category></item><item><title><![CDATA[盒马生鲜是根据什么进行推荐的？——IDs Representation in E-commerce（阿里2018KDD）]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/100184561</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/100184561</guid><author>ty44111144ty</author><pubDate>Sun, 01 Sep 2019 16:29:16 +0800</pubDate><description><![CDATA[原文地址：盒马生鲜是根据什么进行推荐的？——IDs Representation in E-commerce（阿里2018KDD）

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



去年的时候介绍了很多embedding相关的方法和论文，这篇阿里在2018KDD的文章算是...]]></description><category></category></item><item><title><![CDATA[多任务学习在CVR预估中的应用：Entire Space Multi-Task Model（ESMM，阿里，SIGIR2018）]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99709764</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99709764</guid><author>ty44111144ty</author><pubDate>Sun, 18 Aug 2019 21:36:35 +0800</pubDate><description><![CDATA[原文地址：多任务学习在CVR预估中的应用：Entire Space Multi-Task Model（ESMM，阿里，SIGIR2018）

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



前两篇讲了多任务学习的背景知识和一个多任务学习模型的框架，这篇讲一个多任务学习的实...]]></description><category></category></item><item><title><![CDATA[DSSM框架（Deep Structured Semantic Model）：深度学习计算语义相似度]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99173230</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99173230</guid><author>ty44111144ty</author><pubDate>Sun, 11 Aug 2019 10:45:43 +0800</pubDate><description><![CDATA[原文地址：DSSM框架（Deep Structured Semantic Model）：深度学习计算语义相似度，现在搬运到优快云~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



文章：

Huang P S, He X, Gao J, et al.Learning...]]></description><category></category></item><item><title><![CDATA[多任务学习模型详解：Multi-gate Mixture-of-Experts（MMoE ，Google，KDD2018）]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99068255</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99068255</guid><author>ty44111144ty</author><pubDate>Sun, 11 Aug 2019 10:38:44 +0800</pubDate><description><![CDATA[原文地址：多任务学习模型详解：Multi-gate Mixture-of-Experts（MMoE ，Google，KDD2018），首发微信公众号，现在转到优快云上~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



上篇文章介绍多任务学习的背景知识，其中提到了相关任...]]></description><category></category></item><item><title><![CDATA[Multi task learning多任务学习背景简介]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99067751</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99067751</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 12:59:50 +0800</pubDate><description><![CDATA[原文地址：Multi task learning多任务学习背景简介，现在搬运到优快云~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



本篇文章将介绍在机器学习中效果比较好的一种模式，多任务学习（Multi task Learning，MTL）。已经有一篇机器之心翻译...]]></description><category></category></item><item><title><![CDATA[梯度消失和梯度爆炸的数学原理及解决方案]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99067260</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99067260</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 12:53:11 +0800</pubDate><description><![CDATA[博文原地址：梯度消失和梯度爆炸的数学原理及解决方案，搬来优快云

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



目录

1.前言

2.深度网络对梯度的影响

3.激活函数对梯度的影响

4.一些解决方案

1.前言

很久没看文章了，但是感觉再不写点什么公众号都要被...]]></description><category></category></item><item><title><![CDATA[是什么影响了点击率？——广告图像在CTR预估中的应用]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99066762</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99066762</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 12:46:16 +0800</pubDate><description><![CDATA[原文链接：是什么影响了点击率？——广告图像在CTR预估中的应用，现在转载到优快云上~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



最近有点懒，好久没有更新啦，突然想起来被我遗忘了的公众号。。

这次简单的介绍一下最近在关注的一个方面，ctr预估中图像的应用。ctr...]]></description><category></category></item><item><title><![CDATA[知识图谱中的embedding：entity prediction、link prediction（TransE&RTransE）]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99066059</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99066059</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 12:37:16 +0800</pubDate><description><![CDATA[博文原地址：知识图谱中的embedding：entity prediction、link prediction，现在搬到优快云上

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



embedding系列真的是很多呀~今天又是另一个与embedding相关的领域：知识图谱...]]></description><category></category></item><item><title><![CDATA[推荐系统相关embedding：SVD、SVD++]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99065340</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99065340</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 12:28:04 +0800</pubDate><description><![CDATA[继续讲embedding相关的一些东西，之前在公众号的地址：推荐系统相关embedding：SVD、SVD++

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



本篇主要想介绍一下基于推荐系统的embedding。为什么推荐系统也可以和embedding相关呢？这里面就涉...]]></description><category></category></item><item><title><![CDATA[word embedding系列（四）：标签embedding（Wsabie和TagSpace））]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99018968</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99018968</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 02:06:37 +0800</pubDate><description><![CDATA[本系列分为四部分，这篇文章是本系列最后一篇，在公众号上有写过：word embedding系列（四）：标签embedding（Wsabie和TagSpace）），现在搬到优快云上~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



本篇介绍两个自动标注算法Wsabie和...]]></description><category></category></item><item><title><![CDATA[word embedding系列（三） FastText]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99017953</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99017953</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 01:50:04 +0800</pubDate><description><![CDATA[本系列分为四部分，这篇文章是本系列第三篇，在公众号上有写过：word embedding系列（三） FastText，现在搬到优快云上~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



fastText 是 facebook 开源的一个词向量计算以及文本分类工具，fa...]]></description><category></category></item><item><title><![CDATA[Word embedding系列（二）：word2vec详解]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99016771</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99016771</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 01:37:38 +0800</pubDate><description><![CDATA[本系列分为四部分，这篇文章是本系列第二篇，一年前在公众号上有写过：Word embedding系列（二）：word2vec详解，现在搬到优快云上~

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



本文参考了这个博客的系列文章，建议如果有空可以看一下原博客，写的容易理...]]></description><category></category></item><item><title><![CDATA[word embedding系列（一）背景知识]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99015692</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99015692</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 01:24:19 +0800</pubDate><description><![CDATA[这一系列是去年更新在公众号上的，本篇的公众号链接：word embedding系列（一）背景知识

欢迎关注我的公众号，微信搜 algorithm_Tian 或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



word embedding范围非常广泛，内容很多，所以先从基础的背景知识讲起。这个系列准备分为四部分：

一、背景知识，也...]]></description><category></category></item><item><title><![CDATA[Batch Normalization批量标准化详解]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/99008644</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/99008644</guid><author>ty44111144ty</author><pubDate>Sat, 10 Aug 2019 00:28:29 +0800</pubDate><description><![CDATA[本文在微信公众号中排版更好看一丢丢，欢迎阅读：Batch Normalization批量标准化详解

欢迎关注我的公众号，微信搜algorithm_Tian或者扫下面的二维码~

现在保持每周更新的频率，内容都是机器学习相关内容和读一些论文的笔记，欢迎一起讨论学习~



在我的公众号之前有讲梯度消失和梯度爆炸现象，并在最后有提到业界现有解决这一问题的方案中有一个叫做batch normaliza...]]></description><category></category></item><item><title><![CDATA[如何选择机器学习中的分类器]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/72381767</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/72381767</guid><author>ty44111144ty</author><pubDate>Wed, 17 May 2017 14:22:41 +0800</pubDate><description><![CDATA[你知道如何为你的分类问题选择合适的机器学习算法吗？当然，如果你真正关心准确率，那么最佳方法是测试各种不同的算法（同时还要确保对每个算法测试不同参数），然后通过交叉验证选择最好的一个。但是，如果你只是为你的问题寻找一个“足够好”的算法，或者一个起点，这里有一些我这些年发现的还不错的一般准则。你的训练集有多大？如果训练集很小，那么高偏差/低方差分类器（如朴素贝叶斯分类器）要优于低偏差/高方差分类器（如k]]></description><category></category></item><item><title><![CDATA[典型关联分析CCA]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/72376868</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/72376868</guid><author>ty44111144ty</author><pubDate>Wed, 17 May 2017 13:15:41 +0800</pubDate><description><![CDATA[前言整理了其他人写的一些关于CCA的总结，写的真的很详细。 
详见：CCA资料 
刘建平_CCA总结 
Jerrylead_CCA 
在实际问题中，需要研究多个变量之间的相关关系，此时，可以应用典型相关分析(Canonical Correlation Analysis)。这个算法由H.Hotelling于1936年提出，在1970年代趋于成熟。早期由于需要大量的矩阵运算所以没有广泛应用。现代计算机提]]></description><category></category></item><item><title><![CDATA[PQ for ANN image retrieval]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/72179433</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/72179433</guid><author>ty44111144ty</author><pubDate>Mon, 15 May 2017 17:10:01 +0800</pubDate><description><![CDATA[PQ]]></description><category></category></item><item><title><![CDATA[欢迎使用优快云-markdown编辑器]]></title><link>https://blog.youkuaiyun.com/ty44111144ty/article/details/70305804</link><guid>https://blog.youkuaiyun.com/ty44111144ty/article/details/70305804</guid><author>ty44111144ty</author><pubDate>Thu, 20 Apr 2017 21:47:28 +0800</pubDate><description><![CDATA[欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：
Markdown和扩展Markdown简洁的语法
代码块高亮
图片链接和图片上传
LaTex数学公式
UML序列图和流程图
离线写博客
导入导出Markdown文件
丰富的快捷键
快捷键
加粗    Ctrl + B 
斜体    Ctrl + I 
引用    Ctrl]]></description><category></category></item></channel></rss>