- 学习总结 （1）五种主流的推荐模型离线评估方法：Holdout 检验、交叉检验、自助法、时间切割和离线 Replay。Holdout 检验最简单常用，它通过随机划分的方式把样本集划分成训练集和测试集。而... 学习总结 （1）五种主流的推荐模型离线评估方法：Holdout 检验、交叉检验、自助法、时间切割和离线 Replay。Holdout 检验最简单常用，它通过随机划分的方式把样本集划分成训练集和测试集。而...
- 学习总结 （1）DeepFM 模型在解决特征交叉问题上非常有优势，它会使用一个独特的 FM 层来专门处理特征之间的交叉问题。具体来说，就是使用点积、元素积等操作让不同特征之间进行两两组合，再把组合后的结... 学习总结 （1）DeepFM 模型在解决特征交叉问题上非常有优势，它会使用一个独特的 FM 层来专门处理特征之间的交叉问题。具体来说，就是使用点积、元素积等操作让不同特征之间进行两两组合，再把组合后的结...
- 学习总结 （1）深度推荐模型的前沿趋势，强化学习（Reinforcement Learning，又叫增强学习）与深度推荐模型的结合。强化学习的大体过程：通过训练一个智能体（它与环境交互，不断学习并强化自... 学习总结 （1）深度推荐模型的前沿趋势，强化学习（Reinforcement Learning，又叫增强学习）与深度推荐模型的结合。强化学习的大体过程：通过训练一个智能体（它与环境交互，不断学习并强化自...
- 第30届国际信息与知识管理大会（The 30th ACM International Conference on Information and Knowledge Management, CIKM 20... 第30届国际信息与知识管理大会（The 30th ACM International Conference on Information and Knowledge Management, CIKM 20...
- 学习心得 （1）首先学习了经典推荐算法协同过滤的深度学习进化版本 NerualCF。相比于矩阵分解算法，NeuralCF 用一个多层的神经网络，替代了矩阵分解算法中简单的点积操作，让用户和物品隐向量之间... 学习心得 （1）首先学习了经典推荐算法协同过滤的深度学习进化版本 NerualCF。相比于矩阵分解算法，NeuralCF 用一个多层的神经网络，替代了矩阵分解算法中简单的点积操作，让用户和物品隐向量之间...
- 学习总结 （1）业界主流的模型服务方法有 4 种，分别是预存推荐结果或 Embeding 结果、预训练 Embeding+ 轻量级线上模型、利用 PMML 转换和部署模型以及 TensorFlow Se... 学习总结 （1）业界主流的模型服务方法有 4 种，分别是预存推荐结果或 Embeding 结果、预训练 Embeding+ 轻量级线上模型、利用 PMML 转换和部署模型以及 TensorFlow Se...
- 学习总结 （1）GraphSAGE 的主要步骤是三步“采样 - 聚合 - 预测”： 采样是指在整体图数据上随机确定中心节点，采样 k 阶子图样本。聚合是指利用 GNN 把 k 阶子图样本聚合成中心节点... 学习总结 （1）GraphSAGE 的主要步骤是三步“采样 - 聚合 - 预测”： 采样是指在整体图数据上随机确定中心节点，采样 k 阶子图样本。聚合是指利用 GNN 把 k 阶子图样本聚合成中心节点...
- 学习总结 本次task学习深度学习模型系统的整体脉络，改进网络模型的常用手段：改变神经网络的复杂程度、改变特征交叉方式、把多种模型组合应用、结合交叉领域（如NLP、强化学习等）。整个深度学习推荐模型的演... 学习总结 本次task学习深度学习模型系统的整体脉络，改进网络模型的常用手段：改变神经网络的复杂程度、改变特征交叉方式、把多种模型组合应用、结合交叉领域（如NLP、强化学习等）。整个深度学习推荐模型的演...
- 学习心得 （1）从之前的开篇了解推荐系统要解决的核心问题，生发出深度学习推荐系统的技术，架构篇的学习是从抽象到具体，从形而上到形而下的过程。这个task先把Sparrow推荐系统跑通，一开始IDEA识别... 学习心得 （1）从之前的开篇了解推荐系统要解决的核心问题，生发出深度学习推荐系统的技术，架构篇的学习是从抽象到具体，从形而上到形而下的过程。这个task先把Sparrow推荐系统跑通，一开始IDEA识别...
- 学习总结 上次学习的一坨推荐系统的离线评估指标和方法，离线评估不能还原线上的所有变量，如视频网站需要提高的【用户观看时长】指标等。几乎所有的互联网公司，线上 A/B 测试都是验证新模型、新功能、新产品是... 学习总结 上次学习的一坨推荐系统的离线评估指标和方法，离线评估不能还原线上的所有变量，如视频网站需要提高的【用户观看时长】指标等。几乎所有的互联网公司，线上 A/B 测试都是验证新模型、新功能、新产品是...
- 学习总结 第一步是导入 Spark 分割好的训练集和测试集。 第二步是在 TensorFlow 中设置评估指标，再在测试集上调用 model.evaluate 函数计算这些评估指标。这里使用了最常用的 ... 学习总结 第一步是导入 Spark 分割好的训练集和测试集。 第二步是在 TensorFlow 中设置评估指标，再在测试集上调用 model.evaluate 函数计算这些评估指标。这里使用了最常用的 ...
- 学习总结 （1）这次task的模型看似没啥新东西（embedding+MLP），但是对于tensorflow不熟悉，还有需要注意特征处理：类别型特征 Embedding 化，数值型特征直接输入 MLP。... 学习总结 （1）这次task的模型看似没啥新东西（embedding+MLP），但是对于tensorflow不熟悉，还有需要注意特征处理：类别型特征 Embedding 化，数值型特征直接输入 MLP。...
- 学习总结 （1）上一个task我们提到用embedding召回，快速过滤商品，缩小候选集。但是embedding相似度如果都用余弦计算，当数据量很大时计算量很大。所以提出用【局部敏感哈希LSH】解决高维... 学习总结 （1）上一个task我们提到用embedding召回，快速过滤商品，缩小候选集。但是embedding相似度如果都用余弦计算，当数据量很大时计算量很大。所以提出用【局部敏感哈希LSH】解决高维...
- 学习总结 YouTube推荐架构=召回层（多，快）+排序层（少，精）。候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提... 学习总结 YouTube推荐架构=召回层（多，快）+排序层（少，精）。候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提...
- 学习总结 （1）LREM将用于从列表 key 中删除前 count 个值等于 element 的元素。 这个 count 参数通过下面几种方式影响这个操作，如果count > 0， 从头到尾删除值... 学习总结 （1）LREM将用于从列表 key 中删除前 count 个值等于 element 的元素。 这个 count 参数通过下面几种方式影响这个操作，如果count > 0， 从头到尾删除值...
上滑加载中
推荐直播
-
Ascend C算子编程之旅：基础入门篇2024/11/22 周五 16:00-17:30
莫老师 昇腾CANN专家
介绍Ascend C算子基本概念、异构计算架构CANN和Ascend C基本概述，以及Ascend C快速入门，夯实Ascend C算子编程基础
回顾中 -
深入解析：华为全栈AI解决方案与云智能开放能力2024/11/22 周五 18:20-20:20
Alex 华为云学堂技术讲师
本期直播我们将重点为大家介绍华为全栈全场景AI解决方案以和华为云企业智能AI开放能力。旨在帮助开发者深入理解华为AI解决方案，并能够更加熟练地运用这些技术。通过洞悉华为解决方案，了解人工智能完整生态链条的构造。
回顾中 -
华为云DataArts+DWS助力企业数据治理一站式解决方案及应用实践2024/11/27 周三 16:30-18:00
Walter.chi 华为云数据治理DTSE技术布道师
想知道数据治理项目中，数据主题域如何合理划分？数据标准及主数据标准如何制定？数仓分层模型如何合理规划？华为云DataArts+DWS助力企业数据治理项目一站式解决方案和应用实践告诉您答案！本期将从数据趋势、数据治理方案、数据治理规划及落地，案例分享四个方面来助力企业数据治理项目合理咨询规划及顺利实施。
去报名
热门标签