- 博客(4)
- 资源 (4)
- 收藏
- 关注
原创 拉格朗日乘子与KKT条件的证明
拉格朗日乘子与KKT条件 1. 问题定义 最优化问题在此总结一二,首先给出最优化问题的正式定义: 定义:给定函数F(x),Gi(x),i∈[0,I],Hj(x),j∈[0,J],x∈RnF(\bold{x}),G_i(\bold{x}),i\in[0,I],H_j(\bold{x}),j\in[0,J],\bold{x}\in R^nF(x),Gi(x),i∈[0,I],Hj(x),j∈[0,J],x∈Rn,求满足条件Gi(x)=0,∀i∈[0,I],Hi(x)≤0,∀j∈[0,J]G_i(\bold{
2020-08-17 16:35:46 1837
原创 Isotonic Regression
模型校准 模型的预估值往往存在偏差,其原因包括: 模型的假设不一定完全成立,比如贝叶斯模型对事件独立同分布的假设 训练样本是有偏差的,没有反应真实的分布情况 训练算法的缺陷,导致并没有学习到最优的参数 以点击率估计为例,某些场景下,有偏点击率是可以直接使用,比如排序场景下重要的是估计值的相对大小,点击率绝对值并不重要;另一些场景下,有偏估计值需要经过校正后才能使用,比如过滤逻辑中点击率的绝对值就会影响物品会不会被过滤掉,例如风控模型,另外将点击率作为其他模型输入的情况下,点击率的绝对值也是有意义的。 模
2020-08-06 17:59:37 762
原创 MMR与CalibratedRec的再思考
最大边缘相关性(Maximum Marginal Relevance) 推荐场景下,MMR对物品重排的目标是找出与推荐目标相关性高,但与已选集合内物品的相似度低的物品,公式表达如下: MMR(Q,C,R)=ArgMaxdi∈C/R[λSim1(Q,di)−(1−λ)maxdj∈RSim2(di,dj)]MMR(Q,C,R)=ArgMax_{d_i\in C/R}[\lambda Sim_1(Q,d_i) - (1-\lambda)max_{d_j\in R}Sim_2(d_i,d_j)]MMR(Q,C,R)
2020-08-05 17:45:07 335
翻译 深度模型(十六):EdgeRec
本文对原论文中的核心内容做翻译和讲解 系统 论文提出的模型架构如下图所示,一部分部署在云端服务器中,一部分部署在终端设备上(用户的移动设备): 3.1 系统概要 EdgeRec系统的主要模块和工作流程如下: 本地客户端(Client Native):本地客户端首先初始化请求并缓存云端推荐服务返回的推荐结果。然后收集用户行为并触发模型服务模块。最后从模型服务模块获取未曝光商品的有序列表。 模型服务(Model Serving):模型服务模块从本地客户端接收用户行为和原始候选商品。进行特征处理并运行重排模型
2020-08-04 23:01:23 800
Web Information Extraction
2018-11-28
嵌入式Linux应用程序开发标准教程
2014-01-24
嵌入式系统原理与设计 中文清晰版本
2014-01-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人