Graph Embedding是推薦系統、計算廣告領域最近非常流行的做法，是從word2vec等一路發展而來的Embedding技術的最新延伸；並且已經有很多大廠將Graph Embedding應用於 ...

item2vec將用戶的行為序列轉化成item組成的句子，模仿word2vec訓練word embedding將item embedding。基本思想是把原來高維稀疏的表示方式(one_hot)映射到 ...

協同過濾推薦（Collaborative Filtering Recommendation）主要包括基於用戶的協同過濾算法與基於物品的協同過濾算法。 下面，以movielens數據集為例，分別實踐這兩 ...

本文重點闡述了xgboost和lightgbm的主要參數和調參技巧，其理論部分可見集成學習,以下內容主要來自xgboost和LightGBM的官方文檔。 xgboost Xgboost參數主要分為 ...

本質上GBDT+LR是一種具有stacking思想的二分類器模型，所以可以用來解決二分類問題。這個方法出自於Facebook 2014年的論文 Practical Lessons from Predi ...

Droupout與Batch Normalization都是深度學習常用且基礎的訓練技巧了。本文將從理論和實踐兩個角度分布其特點和細節。 Droupout 2012年，Hinton在其論文中提出D ...

邏輯回歸模型是針對線性可分問題的一種易於實現而且性能優異的分類模型。我們將分別使用Numpy和TensorFlow實現邏輯回歸模型訓練和預測過程，並且探討在大規模分布式系統中的工程實現。 從零構建 ...

wide&deep在個性化排序算法中是影響力比較大的工作了。wide部分是手動特征交叉(負責memorization)，deep部分利用mlp來實現高階特征交叉(負責generalizatio ...

FM通過對於每一位特征的隱變量內積來提取特征組合，最后的結果也不錯，雖然理論上FM可以對高階特征組合進行建模，但實際上因為計算復雜度原因，一般都只用到了二階特征組合。對於高階特征組合來說，我們很自然想 ...

將用戶行為表示為二分圖模型。假設給用戶\(u\)進行個性化推薦，要計算所有節點相對於用戶\(u\)的相關度，則PersonalRank從用戶\(u\)對應的節點開始游走，每到一個節點都以\(1-d\) ...