摘要：
第五章 排序模型 基于上一章的特征模型来进行后续的处理. 下面使用机器学习模型来对构造好的特征进行学习,然后对测试集进行预测,得到测试集中的每个候选集用户点击的概率；返回点击率最大的top-K个文章，作为最终的结果。 排序阶段选择三个比较有代表性的排序模型，它们分别是： LGB的排序模型 LGB的分 阅读全文
摘要：
-01 小总结 本期数据为非机构化数据，主要使用（训练集的）用户的历史浏览记录作为训练数据，使用（训练集的）用户历史的最后一次浏览记录作为标签列；得到模型，输入测试集的全部用户的历史浏览记录，预测下一次的点击文章。 00 特征工程-初步分析 我们先捋一下基于原始的给定数据， 有哪些特征可以直接利用： 阅读全文
摘要：
00. 环境安装的踩坑 faiss不支持win10进行安装，需要上服务器或者虚拟机 （参考：https://blog.csdn.net/weixin_42412254/article/details/107569830 ，走3.7版本） 虚拟机需要给到8G以上内存,实测6.2G内容跑youtube的 阅读全文
摘要：
01 数据分析作用和关注点 主要作用：在于熟悉了解整个数据集的基本情况，包括每个文件里有哪些数据，具体每个文件中的每个字段表示什么实际含义，以及数据集中特征中之间的相似性； rs的数据分析的主要关注点： 用户本身的基本属性 文章基本属性 用户和文章交互的一些分布 召回策略的选择 考虑特征工程方面做一 阅读全文
摘要：
赛题地址 天池 新人赛 新闻推荐 https://tianchi.aliyun.com/competition/entrance/531842/introduction?spm=5176.12281973.1005.1.c2b31f54TDIMdk 01 赛题简介 类型: 是新闻推荐场景下的用户行为 阅读全文
摘要：
1. GBDT+LR简介 协同过滤+矩阵分解：仅仅利用了用户与物品相互行为信息进行推荐， 忽视了用户自身特征， 物品自身特征以及上下文信息等，导致生成的结果往往会比较片面。 Facebook提出的GBDT+LR模型：GBDT自动进行特征筛选和组合，进而生成新的离散特征向量，再把该特征向量当做LR模型 阅读全文
摘要：
Score calculation 地址: https://docs.optaplanner.org/7.45.0.Final/optaplanner-docs/html_single/index.html#scoreCalculation 5.1.1 评分术语 在OptaPlanner中定义约束非 阅读全文
摘要：
文档学习列表: plannerConfiguration https://docs.optaplanner.org/7.45.0.Final/optaplanner-docs/html_single/index.html#plannerConfiguration 01. 快速回顾OptaPlanne 阅读全文
摘要：
目前可以公开的一些情报 什么是运筹排班算法? 假设一个工厂场景，该工厂下有100个工人需要排班，全排列会有100！约等于 $10^{158}$种结果，此类问题也属于NP问题；粗略计算一个地球年不到$108$秒，假设每秒可以运算$10{10}$种情况，也需要$10^{140}$个地球年来跑完全部的结果 阅读全文
摘要：
Spring Boot Java quick start 学习链接: https://docs.optaplanner.org/7.45.0.Final/optaplanner-docs/html_single/index.html#springBootJavaQuickStart 01. 排班目标 阅读全文