- 博客(3)
- 收藏
- 关注
RSS订阅原创 Redisearch魔法：轻松实现K近邻查询
K近邻（K-Nearest Neighbors，简称KNN）查询是一种机器学习方法，它可以用于分类、回归和推荐等任务。在K近邻查询中，我们根据数据点之间的距离（如欧几里得距离或余弦相似度）来确定它们之间的相似性。KNN算法的基本思想是：对于待分类的数据点，找到距离它最近的K个训练样本点，根据这K个邻居的信息来预测待分类点的属性。Redisearch是Redis的一个模块，它提供了全文搜索、索引和聚合功能。
2023-06-15 20:12:35
443
2
原创 从FM推演各深度CTR预估模型(附代码)
另一方面，对深度学习的经典、前沿方法的熟悉也很重要。在电商的场景下，用户的决策过程很可能是这样的，在观察到系统展现的推荐商品列表后，点击自己感兴趣的商品，进而产生购买行为。广告也是一样的场景，在很多电商的平台上会有很多不同场景的广告位，每个场景蕴含了用户的不同兴趣的表达，这些信息的汇总与融合可以带来最后效果的提升。此处对应简化版的FM视角是将拼接好的稠密向量作为输入向量，且不做领域方面的区分（但产生这些稠密向量的过程是考虑领域信息的，相对全特征维度的全连接层减少了大量参数，可以视作稀疏链接思想的体现）。
2023-06-14 16:18:57
564
原创 一文梳理广告CTR预估算法和架构体系
在3.0阶段，深度学习神经网络相比浅层模型的巨大优势是在于宽深的网络结构，理论上深度学习能带来非常高阶的特征交叉，但是由于神经网络的训练存在局部最优的问题，仅仅依赖隐式的特征交叉往往不能带来最完美的效果，显示+隐式的交叉行为可以为CTR预估带来更好的效果。如何更快地捕获用户的数据分布？在排序模型中，我们往往在特征层面实现了不同的用户、商品有不同的输入信息，但我们的模型参数是同一套，如果能在模型层面给予个性化的参数结构，就能给CTR模型带来更大的表征能力，PPNet、APG是比较典型的个性化参数建模思路。
2023-06-14 16:18:53
1238
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人