Code_LT的博客

若榜单是分数型、追求简单可解释→选「加权平均法」；若榜单是名次型、候选数少→选「波达计数法」；若榜单冲突大、需聚焦相对优势→选「布拉德利-特里模型」；若存在极端榜单、需抗干扰→选「中位数排序法」；若数据量大、有标注数据、追求高精度→选「机器学习排序法」。通过以上步骤，可系统性地将多个差异榜单聚合为一个兼具合理性和可解释性的综合排序。

本文详细的推导了二值交叉熵(BCE)和二值交叉熵损失函数(BCE Loss)之间的关系。

看了不少解读和笔记，本文把最容易理解的解读做个总结。

比如选择字符串长度为4，它对应的区域宽度是39.1km，需求可能是50km，那么选择字符串长度为5，对应的区域宽度就变成了156km，瞬间又大了3倍了。但是这种前缀匹配的方式存在一个临近边界问题，就是在区域的边界地方，在这个区域的相邻区域的公共前缀不同（长度按照区域大小选出），按照公共前缀匹配的方法会少筛选出一部分附近的POI;解决的办法是将相邻的8块区域也算进来，扩大寻找范围，计算这些区域中的POI和所在位置的距离， 然后按距离排序筛选；的夹角，以东为东经，以西为西经，通常东经为正，西经为负；

仅考虑，两指针都进入了环那一刻：设在环中:指针1位置：$0$，步长：指针2位置：$d$ ，步长：$l_2$圈长：$C$第n步时：指针1： $n\c_dot l_1 = aC+p_1$指针2： $n\c_dot l_2 +d= bC+p_2$若指针1，指针2不能相遇，即证明：不存在 $a,b \in N \Rightarrow p_1=p_2 $， 其中$p_1,p_2$为指针1和指针2在环中位置。两式相减：证明： $n(l_1-l_2)=(a-b)C+d s.t. a,b \in ..