凝眸伏笔的博客

从NFEP框架视角来理解向量化召回算法，各算法的特点梳理如下表所示。可以看到，通过NFEP框架的梳理，各召回算法间的异同变得清晰，便于我们加深理解，融会贯通。而当你为自己的召回项目选型的时候，你可能希望实现双塔模型，还希望模仿Facebook的做法来增强hard negative，同时还要像FM召回一样将“item本身受欢迎程度”考虑在内。借助NFEP框架的梳理，我们可以更好地取长补短，设计出最适合你的业务场景、数据环境的召回算法。IWTBS的回答1. 工业界召回的基本思路。

当数据集中某一类的样本数量远超于其他样本的时候，模型自然会有一种倾向使得分类结果偏向于该类样本，这是概率统计中先验的性质。第二种，解决样本分布不均衡，我们可以在分类错误时通过对不同类别的样本施加不同的惩罚，比如对数量少的类别的样本施加较小的惩罚，对数量多的类别的样本施加较大的惩罚。第一种，我们可以通过采样的方式，手动的平衡不同类别的样本的数量，主要的手法有欠采样和重采样。当原始数据的量纲相差过大，而标签中“0”的过多时，训练出的模型系数会倾向于稀疏。在做分类任务时，遇到过auc小于0.5的情况。

论文：《Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate》阿里，20181.motivation不同于CTR预估问题，CVR预估面临两个关键问题：Sample Selection Bias (SSB)转化是在点击之后才“有可能”发生的动作，传统CVR模型通常以点击数据为训练集，其中点击未转化为负例，点击并转化为正例。但模型预测时，则是对整个空间的样本进行预.

要处理自然界、生活中多种模态纠缠、互补着的信息，多模态学习是必由之路。随着互联网交互形态的不断演进，多模态内容如图文、视频等越发丰富；

一.原理二.代码2.1训练模型2.2预测thinking参考：1.拓展性质的详细解说：https://blog.csdn.net/ningyanggege/article/details/811337852.ftrl要优化的RDA和FOBOS：https://www.jianshu.com/p/168ac88346ec3.大厂们的在线学习：https://www.cnblogs.com/EE-NovRain/p/3810737.html4.ft...