hezhihua@zju.edu.cn

机器学习、深度学习关于loss你所需要知道的一切定义：对数损失，即对数似然损失（Log-likelihood Loss），或者交叉熵损失（cross-问题荣便宜Loss）−(ylog(p))+(1−y)log(1−p)-(ylog(p)) + (1-y)log(1-p)−(ylog(p))+(1−y)log(1−p)，yyy表示样本的真是标签（1或者0），ppp表示模型预测为正样本的概率。可视化：展示当label为1时候...

深度学习中的Graph Embedding方法

attention 中的 q k v

Deep Q Network（DQN）算法损失函数详解

用简单例子讲解 Q - learning 的具体过程

本文主要介绍了GCN，及其衍生出来GraphSAGE，GAT

本文主要涉及到图神经网络背景介绍，任务类型、应用场景以及常规的图表示方法，比如邻接矩阵等。

本文对word2vec数学推导部分进行讲解，以skip-gram为例；大家推导的时候把握输入矩阵，输出矩阵；向量内积的意义；矩阵变换的意义；多元函数求偏导。最后给出了word2vec和经典youtube dnn的联系~

1、先验概率基于客观事实 或者 统计频率 得到的，或者你自身依据经验给出的一个概率值，我们称其为先验概率(prior probability)，更加形象的例子，P(X=掷硬币为正面)=0.5。2、来个栗子????玩LOL占总人口60%，不玩LOL人数占40%，为便于叙述，用变量X来表示取值情况（X为全事件），有 :P(X=玩lol)=0.6P(X=玩lol)=0.6P(X=玩lol)=0.6，P(X=不玩lol)=0.4P(X=不玩lol)=0.4P(X=不玩lol)=0.4。另外玩lol中80

精排技术

词向量，英文名叫Word Embedding，按照字面意思，应该是词嵌入。说到词向量，不少读者应该会立马想到Google出品的Word2Vec，大牌效应就是不一样。另外，用Keras之类的框架还有一个Embedding层，也说是将词ID映射为向量。由于先入为主的意识，大家可能就会将词向量跟Word2Vec等同起来，而反过来问“Embedding是哪种词向量？”这类问题，尤其是对于初学者来说，应该是很混淆的。事实上，哪怕对于老手，也不一定能够很好地说清楚。这一切，还得从one hot说起...

本篇文章介绍了阿里妈妈定向广告团队的最新作品：Co-Action Net(以下简称CAN)。CAN提出了一种全新的特征交互思路，将待交互的特征（用户侧和商品侧特征）分别作为DNN的输入和权重，用DNN的输出作为特征交互的结果。CAN在提升了特征交互的表达能力同时，降低了传统的笛卡尔积交叉所需要的计算复杂度。

1、推荐系统FM系列模型全家桶梳理

DeepFM梳理1、准备feature_index一个数值特征：一个 feature_index一个类别特征： category_name.unique() 个 feature_indexfeature_value一个数值特征：一个 feature_value，feature_value = 数值特征实际数值一个类别特征：多个 feature_value，feature_value = 12、参数定义feature_sizefeature_index范围，对应所有特