- 博客(19)
- 收藏
- 关注
RSS订阅原创 【多元时序异常检测-2】
据我了解，如：VAE框架下的各种异常检测模型，比如vae、OmniAnomaly（清华，2019），interfusion（清华，2021）；OmniAnomaly模型的网络架构是VAE网络，并在该框架的基础上，引入了GRU，stochastic Variable Connection，planar NF三个关键技术来提高基于VAE网络进行多元时序异常检测的效果。解码采用了LSTM单元。2，对一个包含多元时间序列的实体异常检测提供可解释性：在一个实体中，异常分数最高的几个指标 最有可能是异常的。
2023-07-01 10:03:31
957
原创 Pandas常用操作整理
- pandas读取数据1，pandas读取纯文本文件纯文本文件包括：csv,txt语法：pd.read_csv(fpath)2,读取excel文件语法：pd.read_excel(fpath) 3,读取MySQL数据库语法：pd.read_sql()- pandas数据结构1,SeriesSeries是一种类似于一维数组的对象，它由一组数据（不同数据类型）以及一组与之相关的数据标签（即索引组成）2,DataFrameDataframe是一个表格型的数据结构每行可以是不同的值类型（
2023-07-01 09:49:07
597
原创 推荐系统21---多任务loss优化(自适应权重篇)
这是一篇2018年ICML上的paper,全称是：《Gradnorm: Gradient normalization for adaptive loss balancing in deep multitask networks》，这篇文章给出的观点是：任务不平衡会阻碍模型的训练，这种阻碍体现在了反向传播时参数的梯度不平衡。基于这种观点，作者提出：通过动态调整每个任务的loss权重，从而让参数的梯度保持平衡，进而解决任务不平衡阻碍模型训练的问题。
2023-07-01 09:37:07
942
原创 pytorch学习
softmax,NLLloss,crossEntropyLoss 之间的联系可参考博客：https://blog.csdn.net/qq_41442511/article/details/120260346?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-2.no_search_link&depth_1-utm_sou
2023-07-01 09:35:47
39
原创 动手学深度学习-1
矩阵计算：首先 pytorch 中的向量，默认是指列向量。y是标量，x是列向量，则y对于x的导数是一个行向量y是向量，x是标量，y对于x的导数是一个列向量y是向量，x是向量，y对于x的导数是一个矩阵导数，梯度，指向的是函数y的值变化最大的方向。了解上面内容的目的是：知道输入的维数是怎么样的，能明白经过求导或者其他运算之后，输出的维度是怎么样的。2.自动求导...
2023-07-01 09:34:56
39
原创 推荐系统20---MMOE(多任务学习系列1)
写完推荐系统8之后，直接来到了推荐系统20，因为工作需要，最近需要先了解多任务方面的文章。那就先从这里开始吧。中间缺的这些，后面慢慢补。下面言归正传，开始引入多任务学习的背景知识：3，排序学习：通过预测两两物品之间相对顺序，或者物品序列之间顺序来解决多目标学习的问题。比如，视频推荐为例，用户观看很长的i视频，点击了j 视频，在假设观看比点击更重要的前提下：假设u代表用户的偏好，则Ui>Uj。有了相对顺序，就可以使用排序学习的方式，融合多个目标，不需要训练多个模型。1，优点：模型简单。
2023-07-01 09:32:39
479
原创 【多元时序异常检测】InterFusion
在工业界，一个异常事件通常会持续一段时间，对于一个包含多个指标的实体，由于指标间的相关性，不同的指标通常会在该异常时间段的不同时间点先后显示出异常形态（比如在同一个异常段中，与网络相关的监控指标在第t时刻被丢弃，与CPU相关的监控指标在第t + t0时刻被丢弃，原因是来自网络的请求数量减少。因此在进行异常解释时。这里为什么要对测试点样本进行修正，可能有些不好理解，我自己个人理解如下：本质上，interFusion是基于正常样本进行训练的模型，学习到的是样本的正常分布形态，模型训练完成，参数已经固定了。
2023-07-01 09:26:11
1301
1原创 推荐系统6--Wide&Deep与Deep&Cross模型（综合原始特征及交叉特征）
推荐系统6--Wide&Deep 与Deep&Cross模型
2022-06-13 17:50:54
679
原创 推荐系统5--NeuralCF与PNN模型(改变特征交叉方式)
一，前言——推荐系统传统机器学习方法和深度方法的一些理解深度学习时代，推荐模型主要有下面两个进展：1，与传统的机器学习模型相比，深度学习模型的表达能力更强，能够挖掘更多数据中隐藏的模式2，深度学习模型结构非常灵活，能够根据业务场景和数据特点，灵活调整模型结构，使模型与应用场景完美结合。推荐系统算法两个根本性思路是：1，用户和物品的表征，也就是如何更好的把用户特征和物品特征信息表示出来，比如矩阵分解（MF）模型就是属于这个思路上的，使用了embeding的思路来表示用户和物品，从而用向量的乘积来表示
2022-06-02 10:07:39
652
原创 推荐系统4--AutoRec与Deep Crossing(改变神经网络的复杂程度)
一，绪论本篇是深度学习推荐系统第一篇，介绍Autorec和DeepCrossing 两个模型。前者是将深度学习的思想应用于推荐系统的初步尝试，后者是将深度学习框架在推荐系统中的完整应用。Autorec2015年由澳大利亚国立大学提出，是一个单隐层的神经网络推荐模型，网络结构简单。由于结构比较简单，表达能力不足，因此没有真正的应用。DeepCrossing 是2016年，微软基于ResNet的经典DNN结构提出的模型。该模型完整解决从特征工程，稀疏向量稠密化，多层神经网络进行优化目标拟合等一系列深度学习
2022-05-27 16:57:23
356
原创 推荐系统3--FM和FFM
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2022-05-22 14:39:09
732
原创 推荐系统2--隐语义模型（LFM）和矩阵分解（MF）
一，背景协同过滤（userCF，itemCF ）完全没有用到用户或者物品本身的属性，仅仅利用了用户与物品之间的交互信息就可以实现推荐。是一个可解释性很强，非常直观的模型，但是缺点在于：1，处理稀疏矩阵的能力比较弱，泛化能力弱。 为了解决这个问题，从协同过滤中衍生出矩阵分解模型（Matrix Factorization,MF）,并发展出矩阵分解的分支模型,比如隐语义模型和矩阵分解隐语义模型和矩阵分解可以理解为类似的内容，都是在协同过滤共现矩阵的基础上，使用更稠密的隐形量表示用户和物品，挖掘用户和物品的隐含
2022-05-16 11:25:28
2249
原创 推荐系统1--协同过滤
一，协同过滤是什么？基本思想是：根据用户历史喜好，以及与给用户兴趣相近的用户的选择，来给用户推荐物品（基于对用户历史行为数据的挖掘发现用户的喜好偏向，并预测用户可能喜好的产品进行推荐）一般仅仅依靠用户的行为数据（评价，购买，下载等），不依赖于物品自身特征或者用户的附加信息（年龄，性别等）二，协同过滤的分类基于用户的协同过滤算法（UserCF）：给用户推荐与他兴趣相似的其他用户喜欢的产品基于物品的协同过滤算法（ItemCF）：给用户推荐与他之前喜欢的物品相似的物品三，基于用户协同过滤应用场景
2022-05-05 08:26:59
3456
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