接下来我总共花了将近四天时间才将论文《Towards Long-term Fairness in Recommendation》理解透彻。因为该论文用到了强化学习(Reinforcement Learning)，而强化学习不像之前的生成对抗网络(GAN)一样简洁明了，涉及的数学知识非常多。在看论文之前我花费了很所时间去补强化学习的基础，其中牵涉到的知识点还包括随机过程、数值优化等，因此我在掌握文章背景上就耗费了很多时间和精力。 阅读全文
本篇博客我们介绍论文《Learning Fair Representations for Recommendation: A Graph-based Perspective》，在博客中我们将论文的结构和核心思想进行了详细地梳理，并讲解该论文的Pytorch框架实现代码。该论文有几个要点，其中包括使用生成对抗网络(GAN)训练的滤波器对原始的用户－物品embeddings向量进行转换，以除去用户的敏感信息(该论文假定原始嵌入算法不可修改，只能在已经生成的embeddings向量上做转换)。在论文的实验部分，我们分数据集描述、模型评估策略、超参数调整、测试结果记录四个部分来展开叙述。MovieLens-1M 是一个推荐系统的基准数据集，这个数据集包括6040个用户对于近4000部电影的近1百万条评分信息。用户具有三个类别型属性，包括性别(2种类别)，年龄(7种类别)和职位(21个类别)。 阅读全文
推荐系统的公平性（fairness）正在成为推荐系统领域的一个新的突破点，目前对于推荐系统这种需要落地的应用，单纯的在模型领域取得准确率等指标的突破已经不是唯一的追求。虽然fancy的模型依然重要，但是越来越多的学者关注于模型在应用中的可解释性以及机器学习算法中性别偏见、种族歧视等不公平问题，而这也与社会学、人口学、经济学等不同学科产生了交叉。 阅读全文
给你一迭薄煎饼，请你写一个程式来指出要如何安排才能使这些薄煎饼由上到下依薄煎饼的半径由小到大排好。所有的薄煎饼半径均不相同。
要把薄煎饼排好序需要对这些薄煎饼做翻面（flip）的动作。方法是以一抹刀插入一迭薄煎饼中，然后做翻面的动作（也就是说在抹刀上面的薄煎饼经翻面后，会依相反的次序排列）。若一迭共有n个薄煎饼，我们定义最底下的薄煎饼的位置为1，最上面的薄煎饼位置为n。当抹刀插入位置为k时，代表从位置k到位置n的薄煎饼要做翻面的动作。 阅读全文
个人复习统计学习中线性可分支持向量机(SVM)所做的笔记，重点关注从统计学和凸优化的角度给出严谨的公式推导，包括模型、学习策略和算法三个部分。参考资料包括李航的《统计学习方法》和Stephen Boyd的《凸优化》。 阅读全文
个人复习统计学习中朴素贝叶斯模型所做的笔记，包括原理讲解及其Python语言实现。原理方面重点关注从统计学和概率论的角度给出严谨的公式推导，包括模型构建、参数估计和算法三个部分。参考资料包括李航的《统计学习方法》和George Casella的《统计推断》。 阅读全文
直线上有$n$个等距村庄，每个村庄要么买酒，要么卖酒。设第$i$个村庄对酒的需求为$A_i$($-1000 \leqslant A_i \leqslant 1000$)，其中$A_i>0$表示买酒，$A_i<0$表示卖酒。所有村庄供需平衡，即所有$A_i$之和等于0。
把$k$个单位的酒运到相邻村庄去需要$k$个单位的劳动力，问最少需要多少劳动力才能满足所有的村庄的要求。输出保证在64位带符号整数范围内。 阅读全文
随机算法是能够获得随机性来源（比如随机数生成器）的算法，它允许在很小的概率内出错。对于随机算法它要么不是在所有情况下总是正确的，要么就不能保证运行时间总为𝑂(𝑇(𝑛))，它可以看做是在正确性和运行时间之间做赌博(gamble)。赌博时间但不赌博正确性的算法称为拉斯维加斯（Las Vegas）算法，赌博正确性但不赌博时间的算法为蒙特卡洛（Monte Carlo）算法。 阅读全文
