工业界真实的推荐系统(小红书)-AB测试:分层、Holdout机制、反转实验

课程特点:系统、清晰、实用,原理和落地经验兼具
b站:https://www.bilibili.com/video/BV1HZ421U77y/?spm_id_from=333.337.search-card.all.click&vd_source=b60d8ab7e659b10ea6ea743ede0c5b48
讲义:https://github.com/wangshusen/RecommenderSystem

王树森老师的硬核课程,由于PPT很多,并且老师的很多经验是口述,没有写在PPT里,网上有一些网友的笔记,但不是很完整,学习起来也比较费事,所以我自己整理了120页的PPT(这里放的是截图),期望能比较完整地把老师的经验呈现出来,同时缩短学习时间

【1】工业界真实的推荐系统-小红书(王树森)
【2】工业界真实的推荐系统(小红书)-召回-ItemCF、Swing、UserCF
【3】工业界真实的推荐系统(小红书)-离散特征处理、矩阵补充模型、双塔模型
【4】工业界真实的推荐系统(小红书)-召回-改进双塔模型-自监督学习
【5】工业界真实的推荐系统(小红书)-小红书用到的其他召回通道、曝光过滤 & bloom filter
【6】工业界真实的推荐系统(小红书)-排序:精排(模型、特征、融分公式、数据服务)、粗排(三塔模型)
【7】工业界真实的推荐系统(小红书)-特征交叉:FM、DCN、LHUC、SENet、FiBiNet
【8】工业界真实的推荐系统(小红书)-用户行为序列建模:LastN、DIN、SIM
【9】工业界真实的推荐系统(小红书)-重排:多样性算法-MMR、DPP、结合业务规则
【10】工业界真实的推荐系统(小红书)-AB测试:分层、Holdout机制、反转实验
【11】工业界真实的推荐系统(小红书)-物品冷启动:全链路优化、流量调控(提权、保量、差异化保量)
【12】工业界真实的推荐系统(小红书)-物品冷启动的AB测试
【13】工业界真实的推荐系统(小红书)-涨指标的方法:召回、排序、多样性、特殊人群、利用交互行为

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 7
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值