循環 從現象觀察到找到本質，最后到個人成長
發簡信
IP屬地：北京
-
-
Linuxstart - L1 L2 Common commands
https://github.com/mengning/linuxstart L2 Usage Common Commands PATH environment variab...
-
Linuxstart - L3 Vim + L4 Shell
L4 Shell Style Guide variable name in uppercaseLocal variables lowercaseFunction names ...
-
JZOOD面向對象設計 - C1 面向對象設計入門1 SOLID原則 Single responsibility principle 單一責任原則 改的只有一個小的部分，也適合單元測試解析：單一責任原則指的是一個類只有一項工...
-
JZOOD面向對象設計 - C2 管理類面向對象設計Elevator System Follow-up 管理類OOD題型 設計一個模擬/代替管理員日常工作的系統 管理類OOD解題思路 對于core object 考慮進出的對象...
-
7M推薦系統 - S3 Learn to Rank中的模型結構1 重排序算法和多目標排序 多目標排序 score = CTR(α+CVR)(β+Price)...拍腦袋rules：同?XX N出1；活動扶持、新品扶持、低俗打壓；流量控制...
-
7M推薦系統 - S2 內部推薦和排序架構
1 召回算法和業界最佳實踐進階 各種Embedding方法各種k-means方法kdtree和kball樹 2 用戶建模（召回、排序都會用到） 預測用戶下一個瀏覽或者購買的類...
-
7M推薦系統 - S1 推薦系統和常用算法
1 推薦系統簡介 推薦系統介紹 見S0 推薦系統評估 顯式反饋和隱式反饋 準確性（學術界）評分預測topN推薦，準確和召回率 準備性（工業界）信息流：時長 -> 用戶行為 -...
-
7M推薦系統 - S0 推薦業務，Feed流產品及推薦算法策略架構解析+用戶和物品特征的常用方法
1 推薦業務 排序模型 召回->粗排->精排精排 y = model(user, item, context)粗排 y = model(item, context) 特征：i...
-
ZXAlgorithm - JZ海量數據處理算法
https://www.jiuzhang.com/tutorial/big-data-interview-questionshttps://www.lintcode.com/...
-
推薦系統陳開江 - C3 內容推薦
講了什么？用戶畫像，標簽挖掘，基于內容推薦 1 用戶畫像 什么是用戶畫像用戶向量化后就是用戶畫像，便簽，注冊資料，社交關系都是稀疏向量；Embedding，svd，主題模型選...
-
推薦系統陳開江 - C4 近鄰推薦
基于內存，基于模型的協同過濾https://www.zhihu.com/question/23838165 主要講協同過濾，基于內存的（推相似用戶喜歡的，或者退喜歡用戶相似的...
-
推薦系統陳開江 - C6 模型融合
哪幾個部分？一階模型融合，線性模型樹模型二階模型融合，FM高階模型融合，Wide and Deep 1 線性模型和樹模型 講了什么？GBDT + LR融合 為什么融合？ 分為...
-
推薦系統陳開江 - C7 探索和利用
1 MAB問題和Bandit算法 Bandit算法定義最大化收益解決冷啟動和EE問題最小化累積遺憾，把選擇的機會給那些確定好的和還不確定的選項 Bandit算法實現湯普森采樣...
-
推薦系統陳開江 - C12 效果保證
1 測試和常用指標 測試軟件工程測試：單元測試，回歸測試，壓力測試離線模擬測試：AUC，TopK準確率在線對照實驗：在線AB測試人工校驗回訪：人工介入測試，發現極端案例 檢測...
-
推薦系統陳開江 - C11 關鍵模塊
1 日志收集 需要的元素必要：用戶ID，物品ID，事件名稱和時間其他：從什么事件來，從什么頁面來，事件發生時用戶的相關屬性，事件發生時物品的相關屬性 推薦系統需要的矩陣Use...
-
推薦系統陳開江 - C10 架構總覽
1 信息流推薦架構 聚合信息流 內容采集和分析 抓取，標注，分配ID，運營邊界和調性，CMS，隊列通知離線計算離線計算 推薦結果，用戶畫像，排序模型推薦服務日志收集和其他配套...