日月既往、不复可追。

摘要： 1、内部类 内部类是定义在另外一个类中的类，主要原因有： 内部类方法可以访问该类定义所在的作用域中的数据，包括私有的数据 内部类可以对同一个包的其他类隐藏 2、静态内部类和非静态内部类最大的区别是： 非静态内部类编译后隐式保存着外部类的引用（就算外部类对象没用了也GC不掉），但是静态内部类没有。 3 阅读全文

摘要： 5种基本数据类型：字符串（string），哈希（hash），集合（set），列表（list），有序列表（zset） 随着 Redis 版本的更新，后面又支持了四种数据类型： BitMap（2.2 版新增）、HyperLogLog（2.8 版新增）、GEO（3.2 版新增）、Stream（5.0 版新 阅读全文

摘要： 缓存雪崩：redis宕机，大量key同时过期。 解决方法： 1、不要设置相同的过期时间，可以加一个偏移量 2、Redis集群 3、服务降级，当流量到达一定的阈值时，就直接返回“系统繁忙”之类的提示 缓存击穿：一个热点的key过期了，导致短时间大量的访问涌向数据库 解决办法： 1、热点key不设置过期 阅读全文

摘要： 高阶特征的意义 一、高阶特征的核心意义 捕捉复杂特征交互 低阶特征（如单一特征 (x_a)、(x_b)）仅能描述数据的基础属性，而高阶特征（如 (x_a^2)、(x_a x_b) 等）能刻画特征间的非线性组合关系。例如在推荐系统中，用户对商品的偏好并非单一特征决定，而是年龄、性别、商品价格、品类等多 阅读全文

摘要： 用电影推荐示例解释公式 一、公式组成部分解析 二、电影推荐场景下的计算示例 三、公式在电影推荐中的意义 1. 特征交互挖掘 通过 ，模型捕捉用户特征（年龄、性别）与电影特征（类型嵌入）的显式交互。例如，计算年龄 ( 30 ) 与动作片嵌入值的加权组合，挖掘“30岁用户对动作片的偏好程度”。 2. 残 阅读全文

摘要： 嵌入向量计算示例 1. 问题设定 场景：电影推荐系统中用户对电影类型的偏好嵌入 输入特征：4种电影类型（动作片、喜剧片、科幻片、爱情片） 嵌入维度：n_e = 2 词汇大小：n_v = 4 2. 数据表示 （1）独热编码 电影类型 独热编码向量 动作片 [1, 0, 0, 0] 喜剧片 [0, 1, 阅读全文

摘要： ### **CTR点击率预测模型技术演进路线** 阶段1：线性模型时代（2010年前） 核心目标：基础特征权重建模 LR（逻辑回归） 原理：线性加权求和 + Sigmoid激活，仅建模一阶特征重要性。 局限性：无法捕捉特征交叉，依赖人工构造组合特征（如用户年龄×商品类别）。 多项式模型（Poly2） 阅读全文

摘要： FM的全称是Factorization Machines，翻译过来就是因式分解机，这么翻译很拗口，不得其神也不得其形，所以我们一般都不翻译简称为FM模型。 FM模型的优点有如下几点： FM模型的参数支持非常稀疏的特征，而SVM等模型不行 FM的时间复杂度为O（n），并且可以直接优化原问题的参数，而不 阅读全文

摘要： 安装Miniconda/Anaconda：创建一个新的环境，例如名为d2l的环境，并激活这个环境。 conda create --name d2l python=3.9 -y conda activate d2l 安装深度学习框架和d2l软件包：在安装深度学习框架之前，请检查计算机上是否有可用的GP 阅读全文

摘要： 在PyTorch中，torchvision是一个常用的库，它提供了对图像和视频数据的处理功能，包括数据加载、转换等。transforms是torchvision.transforms模块的一部分，它定义了一系列的图像转换操作，这些操作可以单独使用或者组合成转换序列（通过transforms.Comp 阅读全文