勋章
我关注的人
粉丝
技术能力
- Python
- 大数据
- 目标检测
- 推荐系统
- TensorFlow
暂时未有相关云产品技术能力~
暂无个人介绍
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(三)--Matrix Factorization Techniques For Recommender Systems
现在推荐系统一般是基于两种策略，一种是基于文本过滤的方式，另外一种是协同过滤，而基于文本过滤的方法是创造画像为用户或者物品，说白了就是用一些描述性的特征去描述它们，例如对于一部电影来说，可以为其创造画像电影类型、导演、演员、电影市场、票房等来进行描述，对于用户来说，可以用一些人口统计特征来进行描述。
-
发表了文章 2022-08-03
【推荐系统】矩阵分解MF利用BASIC-SVD分解
那么到底如何才能将评分矩阵进行分解呢？ 主成分分析利用到了奇异值分解（SVD）进行分解特征矩阵，那么这里我们可不可以使用SVD进行分解呢？
-
发表了文章 2022-08-03
【推荐系统】隐语义模型(LFD)与矩阵分解(Matrix Factorization)
对于推荐系统来说，如果使用协同过滤算法的话，一般是两种方式：UserCF、ItemCF，两种方式都是基于用户物品评分表（用户与物品之间的交互情况）的相似性进行计算。
-
发表了文章 2022-08-03
【推荐系统】UserCF(基于用户的协同过滤)（理论+图解+代码实践）
所谓协同过滤就是，根据用户的喜好或者近期的行为以及志趣相同的用户的爱好来给用户进行推荐物品，目前应用比较广泛的协同过滤算法有两种模式，一种是基于邻域（neighborhood methods），另外一种就是隐语义模型（latent factor models），对于邻域这种方法主要为以下两种方法：
-
发表了文章 2022-08-03
【推荐系统】传统推荐模型的特点总结
传统推荐模型的特点总结
-
发表了文章 2022-08-03
【推荐系统】POLY2、FM、FFM模型的进化之路
逻辑回归模型是CTR预测领域较为广泛使用的模型，原因有模型具备可解释性，良好的数学解释性，可以实现并行化提高效率，但是它有个缺点就是不能够捕捉数据的非线性关系，如果非要这样，一般情况下需要人工进行特征交叉，但是这样的成本较大，而且需要有经验的算法专家才能够交叉出好的特征，所以如果可以使用算法进行交叉，那么整个系统的工作效率将大大提高。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(六)--Field-aware Factorization Machines for CTR Prediction
点击率预测发挥了很大的作用在计算广告领域。针对这个任务，POLY2和FMs被广泛的应用。最近一个FMs的变体FFM，它的表现已经超过了现有的一些模型。基于我们赢得了两次比赛的胜利，本篇论文我们已经建立了一个有效的方式对于阐述现有的大型稀疏矩阵。首先，我们提出一些FFMs的训练实现方式。然后我们深刻分析了FFMs并且对比了这个方法与其它模型。经验表明FFMs是非常有用的对于某些分类问题，最后，我们已经发布了开源的FFMs供大家使用。
-
发表了文章 2022-08-03
【推荐系统】TensorFlow手动实现AutoRec基于协同过滤
TensorFlow手动实现AutoRec基于协同过滤
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(七)--AutoRec Autoencoders Meet Collaborative Filtering
本文提出了AutoRec，一个用于协同过滤的新型自动编码器框架。根据经验，AutoRec对于模型的影响和训练效率已经超过了现在基于协同过滤技术的大多数先进模型。
-
发表了文章 2022-08-03
【推荐系统】TensorFlow复现论文DeepCrossing特征交叉网络结构
TensorFlow复现论文DeepCrossing特征交叉网络结构
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(八)--Deep Crossing：Web-Scale Modeling without Manually Crafted Combinatorial Features
人工制作的组合特征是许多成功模型背后的 "秘诀"。然而，对于网络规模的应用来说，特征的种类和数量使得这些手工制作的特征在创建、维护和部署时成本高昂。本文提出了Deep Crossing模型，它是一个深度神经网络，可以自动结合特征来产生卓越的模型。Deep Crossing的输入是一组单独的特征，可以是密集的也可以是稀疏的。重要的交叉特征是由网络隐含地发现的，网络由嵌入和堆叠层以及残余单元的级联组成。
-
发表了文章 2022-08-03
【推荐系统】TensorFlow复现论文NeuralCF网络结构
下图为NeutralCF的模型结构图，总共两个分支，第一个分支为GML，第二个为MLP，GML通路将两个特征的Embedding向量进行内积操作，MLP将两个特征的Embedding的向量进行拼接，然后使用多层感知机进行传播，然后将两个通路输出的向量进行拼接，导入全连接层（输出层），输出Score。
-
发表了文章 2022-08-03
【推荐系统】TensorFlow复现论文PNN网络结构
下图为PNN的模型结构图，首先将Sparse特征进行Embedding嵌入，然后将其流入Product，分别进行捕捉线性关系lz和特征交叉lp，然后拼接，流到MLP全连接层，最终输出CTR概率值。
-
发表了文章 2022-08-03
【推荐系统】TensorFlow复现论文Wide&Deep网络结构
下图为Wide&Deep的模型结构图，该模型结合了线性模型的Memorization和神经网络的捕捉深层特征的Generation，将特征分为两个输入源分别输入Wide和Deep部分，最终将两个模型的logits进行融合激活得到最终输出。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十)--Wide&Deep Learning for Recommender Systems
具有非线性特征转化能力的广义线性模型被广泛用于大规模的分类和回归问题，对于那些输入数据是极度稀疏的情况下。通过使用交叉积获得的记忆交互特征是有效的而且具有可解释性，然后这种的泛化能力需要更多的特征工程努力。在进行少量的特征工程的情况下，深度神经网络可以泛化更多隐式的特征组合，通过从Sparse特征中学得低维的Embedding向量。可是，深度神经网络有个问题就是由于网络过深，会导致过度泛化数据。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(九)--Product-based Neural Networks for User Response Prediction
预测用户的反应，如点击和转换，是非常重要的，并已发现它在许多网络应用程序中使用，包括推荐系统、网络搜索和在线广告。这些应用程序中的数据大多是分类的，包含多个字段；典型的表示是通过一个热编码将其转换为高维稀疏二进制特征表示。面对极端稀疏性，传统模型可能会限制其从数据中挖掘浅层模式的能力，即低阶特征组合。另一方面，像深度神经网络这样的深度模型由于其巨大的特征空间而不能直接应用于高维输入。在本文中，我们提出了一种基于产品的神经网络（PNN），其嵌入层用于学习分类数据的分布式表示，产品层用于捕获场间类别之间的交互模式，以及进一步的全连接层用于探索高阶特征交互。我们在两个大规模真实世界广告点击数据集上的
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十一)--DeepFM A Factorization-Machine based Neural Network for CTR Prediction
在推荐系统领域最大化CTR最关键就是要学习用户举止背后复杂的特征交互。尽管现在已经有了一些大的进展，但是现存的方式仍然是只能捕捉低阶或者高阶特征，或者需要专业的特征工程。本篇论文中，我们提出了一种端到端的学习模型，能够同时学习到低阶和高阶的交互特征。我们将这个模型命名为DeepFM，它结合了分解机的能力和深度学习捕捉高阶特征的能力。对比最新谷歌提出的Wide & Deep模型，我们的DeepFM模型不需要任何特征工程，而且会共享特征输入。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十二)--Neural Factorization Machines for Sparse Predictive Analytics
现在很多基于网站应用的预测任务都需要对类别进行建模，例如用户的ID、性别和职业等。为了使用通常的机器学习预测算法，需要将这些类别变量通过one-hot将其转化成二值特征，这就会导致合成的特征向量是高度稀疏的。为了有效学习这些稀疏数据，关键就是要解释不同特征之间的影响。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十三)--Attentional Factorization Machines Learning the Weight of Feature Interactions
有监督学习在机器学习中是最基本的任务之一。它的目标就是推断出一个函数能够预测给定变量的标签。例如，实值标签对于回归问题，而分类标签用于分类问题。他已经广泛的应用于各大应用，包括推荐系统，在线广告，图像识别等。
-
发表了文章 2022-08-03
【推荐系统】浪潮之巅——深度学习推荐系列模型
浪潮之巅——深度学习推荐系列模型
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十四)--Information Fusion-Based Deep Neural Attentive Matrix Factorization Recommendation
推荐系统的出现，有效地缓解了信息过载的问题。而传统的推荐系统，要么忽略用户和物品的丰富属性信息，如用户的人口统计特征、物品的内容特征等，面对稀疏性问题，要么采用全连接网络连接特征信息，忽略不同属性信息之间的交互。本文提出了基于信息融合的深度神经注意矩阵分解(ifdnamf)推荐模型，该模型引入了用户和物品的特征信息，并采用不同信息域之间的交叉积来学习交叉特征。此外，还利用注意机制来区分不同交叉特征对预测结果的重要性。此外，ifdnamf采用深度神经网络来学习用户与项目之间的高阶交互。同时，作者在电影和图书这两个数据集上进行了广泛的实验，并证明了该模型的可行性和有效性。
-
发表了文章 2022-08-03
【推荐系统】YouTube推荐系统架构的十大工程问题
YouTube是世界上最大的创建、分享和发现视频内容的平台。YouTube的建议负责帮助超过10亿用户从不断增长的视频语料库中发现个性化内容。在本文中，我们将重点关注深度学习最近对YouTube视频推荐系统所产生的巨大影响。该图说明了在YouTube移动应用程序主页上的建议。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十五)--Examples-Rules Guided Deep Neural Network for Makeup Recommendation
在本文中，我们考虑了一个全自动补妆推荐系统，并提出了一种新的例子-规则引导的深度神经网络方法。该框架由三个阶段组成。首先，将与化妆相关的面部特征进行结构化编码。其次，这些面部特征被输入到示例中——规则引导的深度神经推荐模型，该模型将Before-After图像和化妆师知识两两结合使用。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十六)--Locally Connected Deep Learning Framework for Industrial-scale Recommender Systems
在这项工作中，我们提出了一个局部连接的深度学习框架推荐系统，该框架将DNN的模型复杂性降低了几个数量级。我们利用Wide& Deep模型的思想进一步扩展了框架。实验表明，该方法能在较短的运行时间内取得较好的效果。
-
发表了文章 2022-08-03
【推荐系统论文精读系列】(十七)--Content-Aware Collaborative Music Recommendation Using Pre-trained Neural Networks
虽然内容是我们音乐收听喜好的基础，但音乐推荐的领先性能是通过基于协作过滤的方法实现的，这种方法利用了用户收听历史中的相似模式，而不是歌曲的音频内容。与此同时，协同过滤有一个众所周知的“冷启动”问题，也就是说，它无法处理没有人听过的新歌。将内容信息整合到协作过滤方法的努力在许多非音乐应用中都取得了成功，比如科学文章推荐。受相关工作的启发，我们将语义标签信息训练成一个神经网络作为内容模型，并将其作为协作过滤模型的先决条件。这样的系统仍然允许用户监听数据“为自己说话”。在百万歌曲数据集上进行了测试，结果表明该系统比协同过滤方法有更好的效果，并且在冷启动情况下具有良好的性能。
-
发表了文章 2022-08-03
【推荐系统】美团外卖推荐场景的深度位置交互网络DPIN的突破与畅想
美团基础研发机器学习平台训练引擎团队，联合到家搜推技术部算法效能团队、NVIDIA DevTech团队，成立了联合项目组。目前在美团外卖推荐场景中进行了部署，多代模型全面对齐算法的离线效果，对比之前，优化后的CPU任务，性价比提升了2~4倍。
-
发表了文章 2022-08-03
【推荐系统】推荐系统数据流的经典技术架构+微软、阿里、微软等10大深度学习CTR模型最全演化图谱
流处理平台的准实时特征处理：所谓流处理平台，是将日志以流的形式进行mini batch处理的准实时计算平台，流处理平台计算出的特征可以立马存入特征数据库供推荐系统模型使用，虽然无法实时的根据用户行为改变用户结果，但分钟级别的延迟基本可以保证用户的推荐结果准实时地受到之前行为的影响。
-
发表了文章 2022-08-03
【目标检测】目标检测界的扛把子YOLOv5（原理详解+修炼指南）
Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。 学习一个新的算法，最好在脑海中对算法网络的整体架构有一个清晰的理解。 但比较尴尬的是，Yolov5代码中给出的网络文件是yaml格式，和原本Yolov3、Yolov4中的cfg不同。 因此无法用netron工具直接可视化的查看网络结构，造成有的同学不知道如何去学习这样的网络。
-
发表了文章 2022-08-03
【机器视觉】Python+OpenCV+MediaPipe实时人流检测
MediaPipe 人脸检测是一种超快的人脸检测解决方案，带有 6 个地标和多人脸支持。它基于 BlazeFace，这是一种轻量级且性能良好的人脸检测器，专为移动 GPU 推理量身定制。检测器的超实时性能使其能够应用于任何需要准确的面部感兴趣区域作为其他任务特定模型输入的实时取景器体验。
-
发表了文章
2023-01-20
使用LSTM预测结果为一条直线原因总结
-
发表了文章
2023-01-20
【技术er圣诞创意大赏】基于Flink的实时数据平台
-
发表了文章
2023-01-20
【大数据系列之JDBC】（八）：使用PreparedStatement获取结果集对象
-
发表了文章
2023-01-20
【大数据系列之JDBC】（七）：JDBC解决字段名和Java中对象名不一致
-
发表了文章
2023-01-20
【大数据系列之JDBC】（六）：使用PreparedStatement实现通用的增删改查操作
-
发表了文章
2023-01-20
【大数据系列之JDBC】（五）：使用PrepareStatement防止SQL注入
-
发表了文章
2023-01-20
【大数据系列之JDBC】（四）：Statement存在SQL注入问题
-
发表了文章
2023-01-20
【大数据系列之JDBC】（三）：Java获取数据库连接的5种方式
-
发表了文章
2023-01-20
【大数据系列之JDBC】（二）：IDEA添加MySQL驱动jar包
-
发表了文章
2023-01-20
【大数据系列之JDBC】（一）：MySQL5.1驱动下载
-
发表了文章
2023-01-20
【大数据系列之MySQL】（三十五）：MySQL中的流程控制
-
发表了文章
2023-01-20
【大数据系列之MySQL】（三十四）：存储过程的介绍
-
发表了文章
2023-01-20
【大数据系列之MySQL】（三十三）：MySQL中的变量
-
发表了文章
2023-01-20
【大数据系列之MySQL】（三十二）：MySQL中的视图
-
发表了文章
2023-01-20
【大数据系列之MySQL】（三十一）：MySQL中的事务TCL
-
发表了文章
2023-01-20
【大数据系列之MySQL】（三十）：MySQL中的DDL语言
-
发表了文章
2023-01-20
【大数据系列之MySQL】（二十九）：MySQL中的DML语言
-
发表了文章
2023-01-20
【大数据系列之MySQL】（二十八）：MySQL中的联合查询
-
发表了文章
2023-01-20
【大数据系列之MySQL】（二十七）：子查询的经典使用案例
-
发表了文章
2023-01-20
【大数据系列之MySQL】（二十六）：MySQL中的分页查询
