- 博客(8)
- 收藏
- 关注
RSS订阅原创 强化推荐模型设计
设计推荐模型的要素：1.可获取的输入2.明确输出首先第一点，用户的历史记录可用作输入，只需将不同长度的用户浏览记录处理成相同大小的数据。第二点，输出类别表示、价格表示还是物品表示？考虑先输出物品价格作为实验，因为价格可处理为回归单值，简单。若输出物品类别表示，则需要1600多个类别表示，也可将类别处理为emb，可进一步降低输出维度和训练难度，同样物品也是。模型实现：采用较为成熟的actor-critic强化框架，将推荐模型作为actor，用来生成推荐结果，设计critic计算动作
2023-08-29 14:24:13
65
3
原创 MFC CString 汉字截取问题
MFC CString 汉字截取问题问题：对CString变量进行光标左移、右移、删除时出现中文字符移动、删除一半的情况解决方法：因为中文占2个字符，英文占1个字符，所以可通过以下步骤解决：1、首先判断光标所在位置是否是汉字，采用if (m_strInputText.GetAt(m_nTextPos)&0x80)判断，通过0x80与运算判断当前字符位置是否是中文字符，如果是中文字符上式为TRUE。2、然后根据具体操作对判定条件进行微调，如左移操作需判断左边字符是否是中文
2021-05-02 18:54:51
764
原创 下载VS2017的网址
鉴于VS最新版和2017版的差异，出现问题没有老版本好解决，所以安装了两个版本的VS。网上都是最新版的VS指向2019，下面是2017版的网址https://docs.microsoft.com/en-us/visualstudio/releasenotes/vs2017-relnotes
2021-03-17 14:46:04
408
原创 redis模拟数据流（python）
根据数据分析那篇文章可知，若实现强化推荐，必须模拟真实数据流。首先明确，买方和买方的数据流应包括哪些特征：买方数据流：买方ID、物品ID、操作（浏览、加购、购买）、操作时间卖方数据流(只针对物品属性的改变)：物品ID、属性（为了简单，只选择价格、类别，商品信息暂不考虑）、属性值、操作时间用户信息和商品信息的维护使用redis数据库。按照流程，首先下载Retailrocket数据集，通过python 实现分行读取：import redisimport pandas as pdde
2020-09-24 19:17:24
402
原创 安装redis到服务器
安装从redis官网下载稳定版tar包，放在自己的文件夹下，解压：进入解压后 的路径：(base) [G20060072@admin1 software]$ cd redis-6.0.8/(base) [G20060072@admin1 redis-6.0.8]$编译(base) [G20060072@admin1 redis-6.0.8]$ makemake[1]: *** [server.o] Error 1make[1]: Leaving direct...
2020-09-23 09:46:08
145
原创 Retailrocket数据集属性分析
Retailrocket数据集属性分析近期计划使用电商数据集做强化学习相关，从论文中看到了retailrocker数据集，此数据集有四个文件（如下图），其中包括商品类别树、事件日志、物品熟悉日志。事件日志包括了用户对物品的“view”, “addtocart” or “transaction”三个操作，在强化学习中可设置不同的奖励；物品属性日志记录物品的属性变化，如价格的变化等，由于此表的复杂性，所以下文特别分析了该表的一些属性特征。物品属性中除了物品的“类别”和“有效性”属性外，其余属性名
2020-09-22 14:42:23
1395
原创 keras 自定义损失 自动求导时出现None
问题记录，keras 自定义损失 自动求导时出现None，后来想到是因为传入的变量没有使用，所以keras无法求出偏导，修改后问题解决。就是不愿使用的变量×0,求导后还是0就可以了。def my_complex_loss_graph(y_label, emb_uid, lstm_out,y_true_1,y_true_2,y_true_3,out_1,out_2,out_3): ...
2019-03-26 21:17:21
1121
翻译 （论文阅读笔记）Deep Learning based Recommender System: A Survey and New Perspectives
为了交英语作业机翻了这篇论文的一些部分 ，由于时间有限，感兴趣的内容有时间再翻1引言：推荐系统出现的背景：在这个信息爆炸的时代，许多用户都要面临信息过载的负担，推荐系统可以为用户过滤掉大部分用户不感兴趣的内容，帮助用户高效的找到感兴趣的东西。推荐系统在许多领域都已经成功应用，例如娱乐、购物、媒体等信息量冗余的领域。推荐系统在各个领域扮演者至关重要和必不可少的角色来提升业务和更方便的制定业务...
2019-02-23 20:33:03
7324
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