<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[永不理解_fdu的博客]]></title><description><![CDATA[追逐未知的去发现更多的未知]]></description><link>https://blog.csdn.net/ben3ben</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; ben3ben]]></copyright><item><title><![CDATA[DEEP LEARNING WITH LOGGED BANDIT FEEDBACK 笔记]]></title><link>https://blog.csdn.net/ben3ben/article/details/89324793</link><guid>https://blog.csdn.net/ben3ben/article/details/89324793</guid><author>ben3ben</author><pubDate>Tue, 16 Apr 2019 01:57:03 +0800</pubDate><description><![CDATA[Another url：https://bulihanjie.github.io/2019/04/14/DEEP-LEARNING-WITH-LOGGED-BANDIT-FEEDBACK-笔记/#more
摘要
论文中提出BanditNet模型，能够利用bandit feedback数据，即实体标签服从某个分布的数据，能够有效地使用大量的数据训练已有的模型使之达到很好的效果。并且模型只需要较少的代...]]></description><category></category></item><item><title><![CDATA[Deep Dynamic Network Embedding for Link Prediction 笔记]]></title><link>https://blog.csdn.net/ben3ben/article/details/89091017</link><guid>https://blog.csdn.net/ben3ben/article/details/89091017</guid><author>ben3ben</author><pubDate>Mon, 08 Apr 2019 15:24:13 +0800</pubDate><description><![CDATA[Another url：https://bulihanjie.github.io/2019/04/08/Deep-Dynamic-Network-Embedding-for-Link-Prediction-笔记/#more
摘要
通过考虑网络的历史演变过程，把各个时刻的网络快照映射到一个低维空间中，用以捕捉网络的时序演变以及网络结构。论文中，的DDNE算法，通过循环神经网络GRU反映节点嵌入的历史...]]></description><category></category></item><item><title><![CDATA[GLANN笔记]]></title><link>https://blog.csdn.net/ben3ben/article/details/88859602</link><guid>https://blog.csdn.net/ben3ben/article/details/88859602</guid><author>ben3ben</author><pubDate>Thu, 28 Mar 2019 01:26:35 +0800</pubDate><description><![CDATA[Another url：https://bulihanjie.github.io/2019/03/19/GLANN笔记/
摘要
虽然生成对抗网络（GANs）在图像生成的任务中大放异彩，但依然存在着各种各样的问题。论文中参考GLO和IMLE模型，提出非对抗式的图像生成模型GLANN，克服了GANs的缺点，得到了不错的效果。
 
参考资料

Hoshen Y, Malik J. Non-Adversa...]]></description><category></category></item><item><title><![CDATA[Causal Embeddings for Recommendation》笔记]]></title><link>https://blog.csdn.net/ben3ben/article/details/88610992</link><guid>https://blog.csdn.net/ben3ben/article/details/88610992</guid><author>ben3ben</author><pubDate>Sun, 17 Mar 2019 02:57:44 +0800</pubDate><description><![CDATA[Another url：https://bulihanjie.github.io/2019/02/28/Causal-Embeddings-for-Recommendation笔记/#more
摘要
应用中期望使用推荐策略来推荐最适合的结果来改变用户行为，最大化推荐收益，如极大化点击率等。但由于推荐系统改变了用户的行为方式，使得用户的日志行为和原本的用户自然行为有了比较大的差异。简单的在用户日志上...]]></description><category></category></item><item><title><![CDATA[腾讯社交广告高校算法大赛——总结]]></title><link>https://blog.csdn.net/ben3ben/article/details/74838338</link><guid>https://blog.csdn.net/ben3ben/article/details/74838338</guid><author>ben3ben</author><pubDate>Sat, 08 Jul 2017 16:39:50 +0800</pubDate><description><![CDATA[腾讯社交广告高校算法大赛——总结题目描述http://algo.tpai.qq.com/home/home/index.html成绩决赛第7名赛题分析　　比赛中，我们比较关心的一个问题在于：数据线上线下分布不一致：1、某些app和用户的记录比较少；2、数据的时效性要求较高。这对于特征工程会是一个比较大的要求，在比赛中有许多的特征会使得线上的成绩下降，比如各种差分的特征。特征工程特征的提取主要有以下几]]></description><category></category></item><item><title><![CDATA[腾讯社交广告高校算法大赛——心得]]></title><link>https://blog.csdn.net/ben3ben/article/details/72597966</link><guid>https://blog.csdn.net/ben3ben/article/details/72597966</guid><author>ben3ben</author><pubDate>Sun, 21 May 2017 13:31:28 +0800</pubDate><description><![CDATA[腾讯社交广告高校算法大赛——心得感想写了这东西之后，就感觉自己像是立了个flag一样……特征的选择　　关于特征选择，其中有两个方面是应该值得关注的。 
　　一方面是特征的重要性，特征的重要性反映的是特征对模型效果的影响程度，理论上重要性越高的特征应该保留下来，而重要性较低的会考虑删除。特征越多，会使得模型越复杂，减少不必要的特征会使得模型更加稳定。其中常用的方法可以考虑xgboost中计算的特征重要]]></description><category></category></item><item><title><![CDATA[广东航空大数据创新大赛：机场停机位资源分配优化]]></title><link>https://blog.csdn.net/ben3ben/article/details/53968522</link><guid>https://blog.csdn.net/ben3ben/article/details/53968522</guid><author>ben3ben</author><pubDate>Sun, 01 Jan 2017 21:45:48 +0800</pubDate><description><![CDATA[机场停机位资源分配优化题目描述https://tianchi.shuju.aliyun.com/outsource/offer/projectdetails.htm?spm=5176.8199929.0.0.nPvIru&id=3092成绩复赛：得分14.40，排行榜第一名； 
决赛：第一名总体思路1、  求解初始解：使用贪心算法快速得到一个可行解 
2、  优化解：使用优化算法对初始解进行优化，我]]></description><category></category></item><item><title><![CDATA[论文阅读报告 DCM BANDITS: LEARNING TO RANK WITH MULTIPLE CLICKS]]></title><link>https://blog.csdn.net/ben3ben/article/details/53241555</link><guid>https://blog.csdn.net/ben3ben/article/details/53241555</guid><author>ben3ben</author><pubDate>Sun, 20 Nov 2016 16:24:34 +0800</pubDate><description><![CDATA[论文阅读报告DCM BANDITS: LEARNING TO RANK WITH MULTIPLE CLICKS摘要　　当用户在搜索引擎上查询感兴趣的条目时，通常得到一个包含相关网页链接的列表。用户从第一个网页链接开始，浏览所有的感兴趣的链接并点击，直至得到想要的结果或者是最后一个链接为止。这种用户浏览行为称为dependent click model（DCM）。论文通过最大化推荐的网页链接推荐满意]]></description><category></category></item><item><title><![CDATA[菜鸟-需求预测与分仓规划]]></title><link>https://blog.csdn.net/ben3ben/article/details/52676685</link><guid>https://blog.csdn.net/ben3ben/article/details/52676685</guid><author>ben3ben</author><pubDate>Tue, 27 Sep 2016 01:33:19 +0800</pubDate><description><![CDATA[通过修改模型的损失函数对问题进行求解，比其它单模型的效果好很多。]]></description><category></category></item><item><title><![CDATA[最后一公里极速配送]]></title><link>https://blog.csdn.net/ben3ben/article/details/52626610</link><guid>https://blog.csdn.net/ben3ben/article/details/52626610</guid><author>ben3ben</author><pubDate>Thu, 22 Sep 2016 20:04:38 +0800</pubDate><description><![CDATA[最后一公里极速配送题目描述https://tianchi.shuju.aliyun.com/competition/information.htm?spm=5176.100067.5678.2.nXeJox&raceId=231581总纲题目中有两种包裹，分别是电商包裹和O2O包裹：
电商包裹：数量多，包裹数目大，路程较近，由124个网点配送；
O2O包裹：数量较少，包裹数目小，路程较远，有时间窗口]]></description><category></category></item></channel></rss>