摘要：
最近工作不顺，有一点思考，无处记录发到这里，多是胡言乱语，对其他人有一点作用就是超出预期了 工作至今6年多了，现在做推荐算法相关工作，我却一直认为自己不擅长提升业务指标，之前简单地以为是口味不同，最近思索之后发现是能力不足，例如 面对开放问题，不懂得如何做取舍，做出当下正确的判断 面对现有的系统，不 阅读全文
posted @ 2023-11-27 23:20
小小的港湾
阅读(24)
评论(0)
推荐(0)
摘要：
Notification Volume Control and Optimization System at Pinterest 讲怎么用模型分配发送次数，怎么收集无偏数据，定义样本，目标是活跃和不订阅，然后求解有约束最优化问题。 非常超前 prinist做法，按周做规划，发送量相当于有一个整体的预 阅读全文
posted @ 2023-09-17 00:31
小小的港湾
阅读(104)
评论(0)
推荐(0)
摘要：
最近看了一些资料，随手记下 ## 什么是冷启动 搜索、广告和推荐场景都会遇到的问题，机器学习模型利用已有的用户和item的点击等数据训练，有数据循环的现象（feedback loop），但新创建的item或者新注册的用户如何分发？ 用户的冷启动，可以看做是用户兴趣探索的特例，在没有用户历史数据的情况 阅读全文
posted @ 2023-08-13 20:22
小小的港湾
阅读(132)
评论(0)
推荐(0)
摘要：
# 引言 搜广推类似场景都是retrieval + ranking两阶段方式，前者用从海量候选粗选一轮，后者再用负载模型，是效果、延迟和机器资源的trade-off的产物。 retrieval广泛使用embedding + ANN方案，比起invert index 个性化更强。 # embeddin 阅读全文
posted @ 2023-07-25 21:43
小小的港湾
阅读(130)
评论(0)
推荐(0)
摘要：
几年前刚进入行业时，就简单认为不过是wide&deep做精排，双塔FM做召回做粗排，再加上一些周边项目，比如冷启动和多模型融合调参，就组成了一个完整的推荐系统算法部分。再回头思考这一切，不再迷失在各式各样的实现细节中，关注本质，有了更广泛的认识，分为一下几个部分。 1. 建模方法 多阶段的推荐系统如 阅读全文
posted @ 2023-05-01 19:05
小小的港湾
阅读(45)
评论(0)
推荐(0)
摘要：
再次回到推荐系统方向的工作， 相比几年前 2018/19 很多认知出现了变化，对我来说很有意义，写出来作为记录也分享给大家。 曾经的主流ctr模型是 deep+wide model，出自google的经典论文。 从业界的演进路线来说， 最开始是大规模LR，模型很简单，f(x) = sigmoid(w 阅读全文
posted @ 2023-03-12 00:02
小小的港湾
阅读(54)
评论(0)
推荐(0)
摘要：
时隔几年，再次阅读此书学习统计学习，仍然很有收获，这里列出来阅读过程中的一些问题，之后有答案了再另写一篇文章。 感知机如何判断线性可分？学习（优化）过程中根据迭代次数判断过于低效？ Naive Bayes 的贝叶斯估计的先验分布是什么？怎么理解？从结论看很合理，推理的过程是从结论推导先验分布？ 决策 阅读全文
posted @ 2022-12-19 23:03
小小的港湾
阅读(20)
评论(0)
推荐(0)
摘要：
这里记录每次新机器如何配置工作环境。 oh-my-zsh 首先是配置oh-my-zsh, https://ohmyz.sh，相较于默认的bash，它提供了更炫酷的外观和一系列很好用的插件，比如autojump，安装也极其简单，十分推荐。 tmux tmux 是管理多个会话的系统，最初使用tmux的原 阅读全文
posted @ 2020-06-07 18:02
小小的港湾
阅读(211)
评论(0)
推荐(0)
摘要：
ctr预估是工业界做推荐、广告等的基本问题，下面以熟悉的推荐场景为例，目标是提高abtest的线上指标，时长、互动和留存，反应到ctr模型的评估指标，可以是auc，logloss，ngcd等，auc反映了模型区分正负例的能力，auc提高不一定对应到线上指标提示，可能只是对item的预估分更准，对一个 阅读全文
posted @ 2019-06-16 22:54
小小的港湾
阅读(2573)
评论(0)
推荐(0)
浙公网安备 33010602011771号