xiongjiezk的专栏

论文提要YouTube如今是工业界最大和最复杂的推荐系统之一，本文作者提出了一种高效的基于深度学习的推荐系统。该系统和工业界经典的推荐流程一样，系统分为候选集生成（也称为搜索或召回），排序两个阶段，这两个阶段分别使用了一个深度神经网络，本文从实践的角度对特征处理，模型训练和调优都有详细介绍。解决的问题YouTube是世界上最大的视频创作及分享平台，其视频推荐的面临的主要问题有： 1. 海量数据：

**传统的推荐系统认为用户偏好和电影属性都是静态的，但其实它们都是随时间变化的。典型的如：用户偏好会被他们所看到的所影响，也会被电影评分所引导。**本文作者采用RNN对用户的行为轨迹做预测。采用LSTM构建了一个自回归的模型，以适应user及movie的动态性。本文所论述的方法在多种数据集上的验证结果都是精准的。

论文提要本文在推荐方面提出一种wide & deep learning算法，也就是将一个宽的线性模型和一个深度神经网络一起训练，通过记忆和泛化（memorization and generalization），为用户推荐商品。该算法在Google Play上进行了实验和评估，结果表明，相比单一的宽线性模型和深度网络，该算法显著的提高了App安装量，具有更好的效果。TensorFlow

win10 安装xgboost时遇到了比Ubuntu下多得多的问题。 直接使用conda install xgboost 出现如下错误xgboost.dll win10 安装xgboost 出错

概述从sigir最近两年的录用的文章来看，2016年推荐系统仍然主要关注协同过滤，多臂赌博机算法。问题领域集中在推荐，排序（learning to rank），web search等。从全部录用的论文来看，深度学习技术有一些文章提及到，但整体上，对深度学习的研究和应用都相对较少。2017年的文章，关于深度学习的文章出现的比较多，应用也在了多个领域都有体现，如推荐，排序，分类等。所以如果要研究深度学习

线性回归的鲁棒性很差，在整个是实数域内，其敏感性是一致的。 逻辑回归是一种减小预测范围，将预测值限制在[0,1]内。逻辑回归可以简单的理解为，在线性回归的基础上，套用了一个逻辑函数。其通常用于分类问题。例如，输出y>0.5时，认为是正类，否则为负类。由于将输出值限定在[0.1]内，所以可以认为输出值是一个概率。