weiyaner的博客

使用qq邮箱的stmp.qq.com来实现定时发送邮件，默认端口是25，在本地尝试了可以发送，部署到阿里云服务器出现网络失败。需要在云服务器的出方向和入方向都开放587端口才行。于是换了465端口，依旧失败。最后尝试587端口，成功发送。

转化率(CVR)预估是电商搜索、推荐和广告最关键任务之一。商业系统通常需要以在线学习的方式更新模型，以跟上不断变化的数据分布。但是，成交转化通常不会在用户单击商品后立即发生。这可能会导致label不准确，我们称之为延迟反馈问题。也就是说，对于一个点击行为，可能在当时没有出现转化现象，但是在随后的12h，24h小时内发生了转化，那么这个样本数据就会标记为负。通过延迟反馈修订，就是将此类的样本数据标记为正。在以前的研究中，延迟反馈问题是通过长时间等待正例样本来解决的；

线下可能很好，但是线上表现并不如意，对于这种线上线下一致性问题，是机器学习模型在上线之后经常遇到的问题。围绕着这个问题，从多个角度来考虑该问题。

通过上述知道，s1必然是个整数，所以如果taget+sum是个奇数，则不存在组合，返回0。发现如果遍历到第i、个分隔字符，如果dp[j-len(i)]为真的话，且这部分也在字分隔典中，那么dpj也为真。把a看作背包容量，数组的数字看作价值和重量，如果对于a的背包恰好存在最大价值是a的，则可以构成。对于ij相等，不一定要求i+1，j-1是回文串，而是里面的回文子序列长度+2即可。如果i，j不相等，那么就等于上一位置的状态，也就是i+1,j和i，j-1的最大值。基于此，遍历顺序i要从后往前，j从i到后。...

这里有一个exe可执行文件，我想的是每天早上的七点钟，定时执行一次这个程序。也经历了一些问题才最终得以解决。

其中，关于循环体，由于限制的不同，循环的方式也不同。

贪心思路，每更新一次index，都计算一次最大的覆盖范围，这个cover可能没变化，也可能是index+nums[i]的值。看cover是否能到最后一个数字。考虑贪心的思路，可以计算相邻两天买卖的利润，然后取所有的正利润即可。可以无限次的买卖股票，获取的最大利润。同一天可以买卖各一次。如果能实现每一阶段局部最优，就可以拓展到全局，得到最优解。数组中的每个元素代表你在该位置可以跳跃的最大长度。贪心解法没有固定的模板。判断你是否能够到达最后一个下标。...

代码随想录二叉树总结。

一组生成树t1;t2;..；如果对于v(G)中的任意两个节点u和v，任意两棵树中u和v之间的路径没有共同的边，也没有共同的内部节点，那么网络G中的Tk就是完全独立生成树(cist)。cist在数据中心网络中有重要的应用，如容错的多节点广播、容错的一对所有广播、可靠的广播、安全的消息分发等。增广立方体Qn是超立方体Qn的一个显著变体，具有可扩展性的重要特性，并被提出作为数据中心网络的底层结构。基于AQn的数据中心网络用AQDNn表示，AQDNn的逻辑图用L-AQDNn表示。在本文中，我们研究如何在L-A。..

首先数据的分布绝大多数是非线性的，而一般神经网络的计算是线性的，引入激活函数，是在神经网络中引入非线性，强化网络的学习能力。所以激活函数的最大特点就是非线性。不同的激活函数，根据其特点，应用也不同。Sigmoid和tanh的特点是将输出限制在(0,1)和(-1,1)之间，说明Sigmoid和tanh适合做概率值的处理，例如LSTM中的各种门；而ReLU就不行，因为ReLU无最大值限制，可能会出现很大值。......

网页保存pdf文件。去除网页部分内容保存为pdf。

经过测试，字典占用空间和键值对的个数并不是线性的。如果在很大的数据中，就需要考虑占用空间的大小，比如。10000个键值对，占用了7w字节。（应用在离线保存embeddings中）的一一映射关系，将aid作为key，第二列作为value。这样通过建立新的key，list作为value存储。在python中，通常通过。...

python生成矩阵，使用[[0]*n]*m，我们会发现，当改变其中某一个元素时，整列数据都会发生改变，而使用[[0 for i in range(n)] for j in range(m)]才可以生成正常的矩阵。这是因为，list是可变元素，而int是不可变元素，对于list存储采用指针，引用型变量，改变矩阵其中某一个元素值，导致所有行的这个位置的元素都会改变。下面具体分析：Python列表和C语言数组不同，并不是存的实在的值，而是存放的只想其他实例的指针。所以也就能够理解 为什么python列表里里面什

从2018年Bert横空出世以后，以预训练模型为基石的各个领域百花齐放，多模态预训练模型也是在这样一个背景下诞生的，具体大概是从2019年开始涌现的。在传统NLP单模态模型中，表征学习的发展较为完善，但在多模态，由于高质量标注数据集的限制，少样本学习以及零样本学习是研究的重点。基于Transformer结构的多模态预训练模型，通过海量无标注数据进行预训练，然后使用少量有标注数据进行微调即可。通常多模态分为：一般是人类看到是实物，声音甚至味道都是一种模态信息。以下介绍将基于最常用的语言视觉多模态（Langua

在使用df进行:报错：或者是因为 在此之前df经过了apply函数操作，使得df数据不再是dataframe结构，而是变成了Series数据结构。如下：就会报错：原因是在之后，sort_data就是pd.series结构了（至于为什么我也不知道，可能和df数据有关系）所以为了防止这种情况，直接改用map进行df的列值修改。如下：...

LC295：数据流的中位数简单来说就是计算中位数。这里采用大顶堆和小顶堆来分别存储中位数的两边。堆排序(Heap Sort)是利用堆这种数据结构所设计的一种排序算法。堆排序先按从上到下、从左到右的顺序将待排序列表中的元素构造成一棵完全二叉树，然后对完全二叉树进行调整，使其满足:构建出堆后，将堆顶与堆尾进行交换，然后将堆尾从堆中取出来，取出来的数据就是最大(或最小)的数据。重复构建堆并将堆顶和堆尾进行交换，取出堆尾的数据，直到堆中的数据全部被取出，列表排序完成。堆结构分为大顶堆和小顶堆：大顶堆：每个节点(叶节

2021年ICCV《ICCV2021 Product1M_Towards_Weakly_Supervised_Instance-Level_Product_Retrieval_via_Cross-Modal_Pretraining》代码地址： https://github.com/zhanxlin/Product1M.主要研究在弱监督的多模态数据场景下，电商领域的产品检索，论文贡献主要在二：首先对比了两种检索模式，图像级检索和多模态实例级检索。图像层面的检索倾向于返回琐碎的结果，因为它不区分不同的实例，而

2022年CVPR《M5Product: Self-harmonized Contrastive Learning for E-commercial Multi-modal Pretraining》论文地址：https://arxiv.org/pdf/2109.04275.pdf代码地址：https://github.com/Xiaodongsuper/SCALE_code本文贡献主要有二：开源了一个大规模的多模态预训练数据集M5Product。该数据集包括5种模式（图像、文本、表格、视频和音频），涵盖

美团基于多模态知识图谱的推荐系统论文

美团。阿里关于多模态召回的应用实践