發(fā)簡信
IP屬地：廣東
-
Siamese Network 孿生網(wǎng)絡簡介
0. 寫在前面 “匹配”這類任務有著很廣泛的應用場景，例如NLP中的文本匹配，推薦領域的物品召回等任務。由此，學術(shù)界和工業(yè)界提出了很多不同的方法...
-
文本匹配模型TextMatching
0. 寫在前面 本次分享一篇NLP文本匹配的經(jīng)典文章，主要思路是借鑒圖像識別的思路來解決NLP文本匹配問題，畢竟計算機視覺技術(shù)的發(fā)展在當時異常迅...
-
fastText簡介與實踐
0. 寫在前面 在fastText問世以前，線性模型在文本分類任務中占據(jù)了主要地位，如果選用了正確的特征，往往能取得不錯的效果。但是，其模型簡單...
-
推薦系統(tǒng)FM系列文章（四）-- AFM模型
0. 寫在前面 前面我們介紹了FM系列的三大模型，包括FM模型，DeepFM以及NFM。DeepFM與NFM模型都對FM做了不同程度的優(yōu)化，重點...
-
推薦系統(tǒng)FM系列文章（三）-- NFM模型
0. 寫在前面 繼上次介紹了DeepFM模型后，本文我們介紹將FM模型思想結(jié)合神經(jīng)網(wǎng)絡的又一工作 -- NFM（Neural Factoriza...
-
推薦系統(tǒng)FM系列文章（二）-- DeepFM模型0. 寫在前面 前面我們介紹了FM模型的實現(xiàn)要點，也提到了其在推薦領域內(nèi)的影響力。本篇，我們就來說說一種結(jié)合神經(jīng)網(wǎng)絡和FM的推薦模型--Deep...
-
推薦系統(tǒng)FM系列文章（一）-- FM模型
0. 寫在前面 推薦系統(tǒng)相關從業(yè)人員肯定對FM(Factorization Machines)模型不會感到陌生，工業(yè)界及學術(shù)界在FM的基礎上也提...
-
推薦場景下的ID類特征處理方式在處理實際的機器學習問題的過程當中，常常會遇到id類特征的情況，例如推薦場景內(nèi)的用戶id，用戶性別，商品id等。這里，將平時使用和學習到的常見解...
-
基于用戶興趣的商品推薦算法--DIN論文解讀0. 寫在前面 前面我們分別講了alibaba在電商推薦場景下的兩大工作，分別是DIEN和DSIN。 其實，這兩個模型均基于最初的模型DIN（D...