GlenTt

摘要： 推荐系统中负采样策略的剖析与实践 摘要 (Abstract) 负采样（Negative Sampling）是训练基于隐式反馈的现代推荐系统的核心技术。通过为观测到的正样本构建高质量的负样本，模型能够学习到用户的个性化偏好。然而，负采样的策略并非一成不变，其选择与推荐系统的阶段（召回、排序）、用户行为 阅读全文

摘要： 用 Focal Loss 应对类别不平衡 当面临类别极度不平衡的数据时，标准的交叉熵损失会因大量易分样本的主导而失效。Focal Loss 通过引入动态调制因子，强制模型聚焦于训练过程中的“硬核”样本，是解决此类问题的关键技术。 1. 核心公式回顾 Focal Loss 在标准交叉熵的基础上，增加了 阅读全文

摘要： 回归任务的基石：MSE 损失函数详解与实现 在回归问题领域，均方误差 (Mean Squared Error, MSE) 是最常用、最直观的损失函数。它衡量的是模型预测值与真实值之间的差距。今天，我们就来深入探讨 MSE 的核心思想，并给出一个简洁的 NumPy 实现。 1. 核心公式 MSE 的定 阅读全文

摘要： 高效实现 BCE Loss：从理论到数值稳定的代码 在任何二分类任务中，二元交叉熵 (Binary Cross-Entropy, BCE) 损失函数都是基石。然而，一个看似简单的公式背后，却隐藏着数值计算的陷阱。今天，我们直击要点，讲解如何从理论公式演进到工业级的稳定代码实现。 1. 基础 BCE 阅读全文