Notas de aprendizaje de Shallow Dream - 100 artículos técnicos algorítmicos seleccionados de la colección
Notas de estudio de Shallow Dream El número público en el pasado incluía una selección de artículos de acuerdo con el tema de un resumen, conveniente para un acceso rápido a la necesidad de contenido más adelante.
Haga clic para leer el texto original
El siguiente es el texto original del reenvío
En la actualidad, según el tema del artículo se divide aproximadamente en los siguientes módulos, cada módulo se organiza de acuerdo con el tiempo de publicación desde cerca hasta lejos:
Ordenar las estimaciones de la CXR Recuperar partidos Ingeniería de Retratos y Características de Usuario Se recomienda la síntesis de búsqueda Calcular el anuncio Grandes datos Algoritmo gráfico NLP&CV Entrevista de trabajo
Ordenar las estimaciones de la CXR
CIKM20 . . Ali MiNet: Modelo de interés híbrido de estimación de tasas de clics entre dominios
Módulo de clasificación del sistema recomendado - Aprendizaje en línea
IJCAI19 Documento del sistema recomendado DSIN: Red de interés de sesión profunda
Aumento de auc fuera de línea, causas y soluciones de caída de ctr / cpm en línea
Explicación de vídeo: xDeepFM principio e implementación en DeepCTR
Explicación de vídeo: Principios e implementaciones de DeepCTR DeepCTR Deep and Cross Net
Video Explica: El Camino y Principios Profundos e implementaciones en DeepCTR
Explicación de vídeo: Principio de DeepFM e implementación en DeepCTR
CIKM19 Cómo retratar los diversos intereses del usuario - Ali MIND leyendo notas
WWW18 TEM: Un modelo recomendado explicativo integrado con nodos hoja GBDT
Enseñarle a jugar el modelo FLEN de deepctr y la comparación de experimentos kaggle Avazu
Estimación CTR: ¿Cómo agrega el modelo CTR características densas continuas y de secuencia?
Un sintetizador del algoritmo básico para aprender a clasificar
Recuperar partidos
La aplicación de la tecnología Embedding en las recomendaciones de propiedad
EMBEDDING recomienda prácticas de ingeniería en grandes plantas
KDD18 . . Sensación de lectura después del sistema de recuperación de próxima generación de Ali
Una pose que recomienda una capa de recuperación del sistema para la evaluación sin conexión
SIGIR20 . . Un artículo resume la comparación de los diversos métodos de Lerning con Match
Una revisión de los métodos de recuperación convencionales del sistema recomendados
Este artículo peina a través de las prácticas de aplicación de EMBEDDING en el sistema recomendado
CIKM18 CFGAN: Construye un marco de filtrado colaborativo que combate la red
Mira el sistema de recomendación de Triplet pérdida Capítulo chino Incrustar
El camino de Sequential Deep Matching Model hacia la recuperación
Práctica para cuantificar anuncios de retirada en 360 flujos de información
KDD19 . . AlgorithmIc Research - WeChat echa un vistazo a La incrustación
CIKM18 Ripple Net: Un modelo recomendado para integrar mapas de conocimiento
Ingeniería de Retratos y Características de Usuario
Resumen de las técnicas de hash para características de alta dimensión
SIGIR20 . . Más allá de la matriz de incrustación de usuarios: Modele a grandes usuarios con hash
El retrato de usuario debe ser el método de cálculo de preferencia de comportamiento
Se recomienda la síntesis de búsqueda
Se recomiendan técnicas prácticas de análisis para sistemas en la industria
KDD20 . . Una lista de los documentos del sistema recomendados
Indicadores de evaluación recomendados comúnmente utilizados en la investigación del sistema
Calcular el anuncio
Algoritmo publicitario OCPC en Phoenix nuevas prácticas de medios de exploración
Baidu Phoenix Nest Sistema de Retiro De Publicidad de Nueva Generación - Mobius
Pujas publicitarias: cómo usar PID para controlar los costes de entrega de anuncios
Formas de eliminar el sesgo en la clasificación de anuncios y recomendaciones
Grandes datos
Motores de computación de flujo de datos en tiempo real Flink y Spark Profile
Preguntas de entrevista de práctica teórica de Big data kafka
Las prácticas de aplicación de Kafka se integran con la ecología
Algoritmo gráfico
GraphEmbedding: Principio, implementación y aplicación del algoritmo DeepWalk
GraphEmbedding: Principios algorítmicos, implementación y aplicación
GraphEmbedding: node2vec: Principio del algoritmo, implementación y aplicación
GraRep: Un diagrama basado en la descomposición de la matriz representa el aprendizaje
Principio, implementación y aplicación del algoritmo SDNE GraphEmbedding
GraphEmbedding: Principio, implementación y aplicación del algoritmo Struc2Vec
GNN: Principios, implementación y aplicación de algoritmos GCN
Los dos diagramas representan el aprendizaje Matriz convolucional gráfica
ideas de optimización de paseos aleatorios node2vec e implementación de código
Stanford CS224W diagrama y aprendizaje automático (1-2): Introducción básica al modelo de diagrama
Stanford CS224W Figura y Machine Learning 3: Motivos y roles estructurales
NLP&CV
La interpretación super detallada de Transformer, una imagen gana mil palabras
Lectura clásica: Interpretación de la profundidad del modelo del transformador
Comparación, conexión y futuro entre la PNL y el sistema de recomendaciones
Conceptos básicos del mapa del conocimiento - ingeniería de las preguntas frecuentes
Promociones de grado GM Records y Kaggle Competencia Consejos Avanzados Compartidos
Ir a "Descubrimiento" - "Echa un vistazo" navegar "Amigos están viendo"