獨熱編碼 獨熱編碼即 One-Hot 編碼，又稱一位有效編碼，其方法是使用N位狀態(tài)寄存器來對N個狀態(tài)進行編碼，每個狀態(tài)都有它獨立的寄存器位，并且在任意時候，其中只有一位有效。...
發(fā)簡信
IP屬地：廣東
-
通俗理解word2vec -
Siamese Network 孿生網(wǎng)絡(luò)簡介
0. 寫在前面 “匹配”這類任務(wù)有著很廣泛的應(yīng)用場景，例如NLP中的文本匹配，推薦領(lǐng)域的物品召回等任務(wù)。由此，學(xué)術(shù)界和工業(yè)界提出了很多不同的方法和模型來解決匹配問題，并致力于...
-
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)展在當時異常迅猛。 個人心得： 文本匹配問題...
-
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(wù)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，其模型簡單成為線性模型發(fā)展的瓶頸。神經(jīng)網(wǎng)...
-
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，重點都是結(jié)合神經(jīng)網(wǎng)絡(luò)實現(xiàn)對特征的高...
-
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(luò)的又一工作 -- NFM（Neural Factorization Machine），一...
-
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(lǐng)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(luò)和FM的推薦模型--DeepFM，其他相關(guān)思路的模型將在后...
-
百面深度學(xué)習(xí)
以下內(nèi)容為轉(zhuǎn)發(fā)Hulu公眾號的鏈接1.典型卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的演進2.長短期記憶網(wǎng)絡(luò)3.圖神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及演變過程4.變分自編碼器 5.生成式對抗網(wǎng)絡(luò)6.元學(xué)習(xí)的主要概...
-
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(guān)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(xué)術(shù)界在FM的基礎(chǔ)上也提出了一系列優(yōu)化模型，這些模型至...
-
推薦場景下的ID類特征處理方式在處理實際的機器學(xué)習(xí)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(xué)習(xí)到的常見解決思路進行一個總結(jié)。 1. O...
-
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（Deep Interest Ne...
-
基于用戶session興趣的商品推薦算法--DSIN論文解讀
0. 寫在前面 接著上一篇《DIEN論文解讀》來講講alibaba最近的一個成果--DSIN(Deep Session Interest Network)深度興趣會話網(wǎng)絡(luò)。D...
-
捕捉用戶興趣演化--DIEN論文解讀0. 說在前面 這篇論文距發(fā)表已經(jīng)有一段時間了，但作為引入用戶時序信息中提取用戶興趣的經(jīng)典思路，在一些技術(shù)細節(jié)上還是有必要學(xué)習(xí)借鑒下。 個人心得： 用戶行為可視為序列特征（相...