<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[李宁宁]]></title><description><![CDATA[要一直努力那~]]></description><link>https://blog.youkuaiyun.com/u010352603</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010352603]]></copyright><item><title><![CDATA[推荐系统从零单排系列(四)—Word2Vec理论与实践(上)]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/90107340</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/90107340</guid><author>u010352603</author><pubDate>Sat, 11 May 2019 11:22:38 +0800</pubDate><description><![CDATA[推荐系统从零单排系列(四)—Word2Vec理论与实践(上)

【导读】Word2Vec是Embedding中非常基本的模型，训练出来的词向量不仅能保持语义与语法上的相关性，并且可以实现类似代数运算的能力。除了在NLP中作为基本网络模块，在推荐系统等领域中也是应用广泛，相信聪明的你肯定看到过类似的介绍，但是又没有深入、系统的学习过。没关系，让我们现在开始来一步一步的解决这个问题。

One-Hot...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(十一)--谷歌DCN模型理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/82670359</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/82670359</guid><author>u010352603</author><pubDate>Wed, 12 Sep 2018 23:31:25 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(十一)–谷歌DCN模型理论与实践





计算广告CTR预估系列(十一)–谷歌DCN模型理论与实践
一、介绍
二、相关工作
三、DCN特点
四、DCN
4.1 Embedding and Stacking Layer
4.2 Cross Network
4.3 Deep Network
4.4 Combination Layer


五、泛化FM
六、实验
七、代码实战
...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(十)--AFM模型理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/82670349</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/82670349</guid><author>u010352603</author><pubDate>Wed, 12 Sep 2018 23:30:05 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(十)–AFM模型理论与实践



计算广告CTR预估系列(十)–AFM模型理论与实践
一、简介
二、FM
三、AFM
3.1 模型
3.2 模型训练
3.3 过拟合


四、总结
五、代码实践


Reference
计算广告CTR预估系列往期回顾






一、简介

AFM全称是Attentional Factorization Machine，和NFM是同一个作者。...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(九)--NFM模型理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/82670335</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/82670335</guid><author>u010352603</author><pubDate>Wed, 12 Sep 2018 23:29:04 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(九)–NFM模型理论与实践



计算广告CTR预估系列(九)–NFM模型理论与实践
一、引言
二、Model Feature Interaction
2.1 介绍
2.2 FM
2.2.1 优点
2.2.2 缺点


2.3 Deep Neural Network
2.3.1 DNN优化困难




三、Neural Factorization Machine(NFM)
...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(八)--PNN模型理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/82670323</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/82670323</guid><author>u010352603</author><pubDate>Wed, 12 Sep 2018 23:28:07 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(八)–PNN模型理论与实践



计算广告CTR预估系列(八)–PNN模型理论与实践
一、介绍
1.1 名词解释
1.2 数据特点
1.3 参数约定


二、相关工作
三、损失 &amp;amp; 评价函数
3.1 损失函数
3.2 评价函数


四、PNN详解
4.1 架构图
4.2 IPNN
4.3 OPNN
4.4 PNN*


五、优化
六、总结
七、代码实战
IPNN
O...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(六)--阿里Mixed Logistic Regression]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80681239</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80681239</guid><author>u010352603</author><pubDate>Wed, 13 Jun 2018 16:41:17 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(六)–阿里Mixed Logistic Regression



计算广告CTR预估系列(六)–阿里Mixed Logistic Regression
一、技术背景
二、研究现状
三、MLR算法
3.1 结构化先验
3.2 线性偏置
3.3 模型级联
3.4 增量训练
3.5 L1，L2,1正则化 / 分组稀疏


四、实现技巧
4.1 并行化
4.2 Common Fe...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(七)--Facebook经典模型LR+GBDT理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80681100</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80681100</guid><author>u010352603</author><pubDate>Wed, 13 Jun 2018 16:38:11 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(七)–Facebook经典模型LR+GBDT理论与实践



计算广告CTR预估系列(七)–Facebook经典模型LR+GBDT理论与实践
一、介绍
二、评估函数
2.1 Normalized Cross-Entropy(NE)
2.2 Calibration


三、模型架构
3.1 决策树Feature Transforms
3.2 Data freshness
3....]]></description><category></category></item><item><title><![CDATA[【一网打尽】机器学习梯度下降优化算法]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80590186</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80590186</guid><author>u010352603</author><pubDate>Wed, 06 Jun 2018 09:25:42 +0800</pubDate><description><![CDATA[【一网打尽】机器学习梯度下降优化算法





1. 梯度下降

梯度的方向是上升的方向，所以我们是沿着梯度的反方向，每一次根据学习率来决定走的步长，争取到达谷底。



2. 梯度下降变体

各种各样的变体，主要是为了在参数更新准确度和所需要时间之间做一个trade-off。



2.1 Batch gradient descent

使用所有的数据集来计算更新梯度。 


缺点：


非常耗...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(五)--阿里Deep Interest Network理论]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80590152</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80590152</guid><author>u010352603</author><pubDate>Wed, 06 Jun 2018 09:23:50 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(五)–阿里Deep Interest Network理论



计算广告CTR预估系列(五)–阿里Deep Interest Network理论
1. 背景
1.1 名词解释
1.2 相关工作


2. 系统总览
2.1 训练数据
2.2 特征处理
2.3 评价指标


3. 原理
3.1 Base Model
3.2 DIN Design
3.3 Dice: Data D...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(四)--Wide&Deep理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80590129</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80590129</guid><author>u010352603</author><pubDate>Wed, 06 Jun 2018 09:22:35 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(四)–Wide&amp;amp;Deep理论与实践



计算广告CTR预估系列(四)–Wide&amp;amp;Deep理论与实践
1. 名词解释
1.1 Memorization 和 Generalization
1.2 Wide 和 Deep
1.3 Cross-product transformation


2. Wide &amp;amp; Deep Model
2.1 推荐系统
2....]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(三)--FFM理论与实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80318640</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80318640</guid><author>u010352603</author><pubDate>Tue, 15 May 2018 09:47:26 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(三)–FFM理论与实践



计算广告CTR预估系列(三)–FFM理论与实践
1. 发展
2. 理论公式
3. 思想
3.1 Poly2
3.2 FM
3.3 FFM
3.3.1 FFM模型–思想
3.3.2 FFM模型–方程
3.3.3 FFM模型–学习算法
3.3.4 FFM模型–多值类别型特征




4. 各模型计算复杂度
5. 优缺点
6. 使用FFM需要注意的地...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(二)--DeepFM实践]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80263641</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80263641</guid><author>u010352603</author><pubDate>Thu, 10 May 2018 10:19:07 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(二)–DeepFM实践



计算广告CTR预估系列(二)–DeepFM实践
0. 变量说明
1. 架构图与公式
1.1 架构图
1.2 公式
1.2.1 公式参考
1.2.2 FM Component维度问题




2. 核心代码拆解
2.1 输入
2.2 Embedding
2.3 FM Component - 1维特征
2.4 FM Component - 2维组合...]]></description><category></category></item><item><title><![CDATA[计算广告CTR预估系列(一)--DeepFM理论]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80201033</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80201033</guid><author>u010352603</author><pubDate>Fri, 04 May 2018 22:15:41 +0800</pubDate><description><![CDATA[计算广告CTR预估系列(一)–DeepFM理论


  本文首发于公众号： 机器学习荐货情报局 




计算广告CTR预估系列(一)–DeepFM理论
DeepFM
1. CTR预估
2. 模型演进历史
2.1 线性模型
2.2 FM模型
2.3 遇上深度学习


3. DeepFM
3.1 FM Component
3.2 Deep Component
3.3 对比其他模型
FNN
PNN
W...]]></description><category></category></item><item><title><![CDATA[N皇后问题]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80189394</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80189394</guid><author>u010352603</author><pubDate>Fri, 04 May 2018 00:49:40 +0800</pubDate><description><![CDATA[N皇后问题-I

问题描述


  n皇后问题是将n个皇后放置在n*n的棋盘上，皇后彼此之间不能相互攻击。 
  给定一个整数n，返回所有不同的n皇后问题的解决方案。 
  每个解决方案包含一个明确的n皇后放置布局，其中“Q”和“.”分别表示一个女王和一个空位置。


样例： 
对于4皇后问题存在两种解决的方案：



[

    [&quot;.Q..&quot;, // Solution 1

     &quot;.....]]></description><category></category></item><item><title><![CDATA[Batch Normalization, 会其意知其形]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80168125</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80168125</guid><author>u010352603</author><pubDate>Wed, 02 May 2018 16:24:23 +0800</pubDate><description><![CDATA[Batch Normalization



Batch Normalization
归一化/正则化
Batch Normalization
原理
BN添加位置
效果
反 normalize
代码实践











归一化/正则化

数据归一化、正则化是非常重要的步骤，用于重新缩放输入的数值，确保在反向传播期间更好的收敛。一般来说，采用的方法是减去平均值在除以标准差。如果不这样做，某些特征...]]></description><category></category></item><item><title><![CDATA[隐马尔可夫模型（HMM），了解一下？]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80141358</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80141358</guid><author>u010352603</author><pubDate>Sun, 29 Apr 2018 10:05:56 +0800</pubDate><description><![CDATA[隐马尔可夫模型（HMM）



隐马尔可夫模型（HMM）
1. 隐马尔可夫模型基本概念
1.1 定义
1.2 观测序列生成过程
1.3 3个基本问题


2. 概率计算方法
2.1 直接计算法
2.2 前向算法
2.3 后向算法


3. 学习算法
3.1 监督学习方法
3.2 非监督学习方法 EM算法 Baum-Welch算法


4. 预测算法
4.1 近似算法
4.2 维特比算法





...]]></description><category></category></item><item><title><![CDATA[【机器学习荐货情报局】置信区间-看这一篇就够了]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/80127052</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/80127052</guid><author>u010352603</author><pubDate>Sat, 28 Apr 2018 13:44:01 +0800</pubDate><description><![CDATA[置信区间 - 看这一篇就够了

欢迎关注公众号：机器学习荐货情报局 
一起进步，一起学习，一起充电~ 
欢迎投稿，讨论，拍砖 


1. 定义

在统计学中，一个样本的置信区间是对总体参数的一个区间估计。置信区间给出的是，声称总体参数的真实值在测量值的区间所具有的可信程度或者说是概率。这个概率又叫做置信水平。举例来说：再一次大选中，上帝视角看到某人的支持率是55%，而置信水平0.95上的置信区间是...]]></description><category></category></item><item><title><![CDATA[二叉树之理解记忆并背诵，了解一下？]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/79874055</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/79874055</guid><author>u010352603</author><pubDate>Mon, 09 Apr 2018 22:36:53 +0800</pubDate><description><![CDATA[
  内容主要包含：  
  1. 二叉树中DFS三种搜索的模板程序 （递归+非递归） 
  2. 二叉树BFS非递归版本 
  3. 二叉树常见到必背的考题 
  不管你是刷题学习，还是准备面试，二叉树下面的这几个程序都是 理解记忆并背诵！理解记忆并背诵！理解记忆并背诵！重要的事情说三遍


真的太常用了，小哥哥小姐姐一定要掌握哦~



BFS递归版本



void bfs(TreeNode...]]></description><category></category></item><item><title><![CDATA[【C++对象模型】之虚函数详解]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/78525779</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/78525779</guid><author>u010352603</author><pubDate>Mon, 13 Nov 2017 22:50:01 +0800</pubDate><description><![CDATA[Function语义学
Member function的各种调用方式1. Nonstatic Member Functions实际上member function被转换为nonmember function。C++设计准则就是：nonstatic member function至少必须和一般的nonmember function有相同的效率。]]></description><category></category></item><item><title><![CDATA[【C++对象模型】之Data Members]]></title><link>https://blog.youkuaiyun.com/u010352603/article/details/78525760</link><guid>https://blog.youkuaiyun.com/u010352603/article/details/78525760</guid><author>u010352603</author><pubDate>Mon, 13 Nov 2017 22:46:49 +0800</pubDate><description><![CDATA[Data Member语义
  C++将nonstatic data members直接放在每一个class object中。对于继承而来的nonstatic data members(不管是virtual或是nonvirtual base class)也是如此.
  
  static data members被放置在程序的一个global data segment中，不会影响个别的class o]]></description><category></category></item></channel></rss>