循环 从现象观察到找到本质，最后到个人成长
发简信
IP属地：北京
-
-
Linuxstart - L1 L2 Common commands
https://github.com/mengning/linuxstart L2 Usage Common Commands PATH environment variab...
-
Linuxstart - L3 Vim + L4 Shell
L4 Shell Style Guide variable name in uppercaseLocal variables lowercaseFunction names ...
-
JZOOD面向对象设计 - C1 面向对象设计入门1 SOLID原则 Single responsibility principle 单一责任原则 改的只有一个小的部分，也适合单元测试解析：单一责任原则指的是一个类只有一项工...
-
JZOOD面向对象设计 - C2 管理类面向对象设计Elevator System Follow-up 管理类OOD题型 设计一个模拟/代替管理员日常工作的系统 管理类OOD解题思路 对于core object 考虑进出的对象...
-
7M推荐系统 - S3 Learn to Rank中的模型结构1 重排序算法和多目标排序 多目标排序 score = CTR(α+CVR)(β+Price)...拍脑袋rules：同⼀XX N出1；活动扶持、新品扶持、低俗打压；流量控制...
-
7M推荐系统 - S2 内部推荐和排序架构
1 召回算法和业界最佳实践进阶 各种Embedding方法各种k-means方法kdtree和kball树 2 用户建模（召回、排序都会用到） 预测用户下一个浏览或者购买的类...
-
7M推荐系统 - S1 推荐系统和常用算法
1 推荐系统简介 推荐系统介绍 见S0 推荐系统评估 显式反馈和隐式反馈 准确性（学术界）评分预测topN推荐，准确和召回率 准备性（工业界）信息流：时长 -> 用户行为 -...
-
7M推荐系统 - S0 推荐业务，Feed流产品及推荐算法策略架构解析+用户和物品特征的常用方法
1 推荐业务 排序模型 召回->粗排->精排精排 y = model(user, item, context)粗排 y = model(item, context) 特征：i...
-
ZXAlgorithm - JZ海量数据处理算法
https://www.jiuzhang.com/tutorial/big-data-interview-questionshttps://www.lintcode.com/...
-
推荐系统陈开江 - C3 内容推荐
讲了什么？用户画像，标签挖掘，基于内容推荐 1 用户画像 什么是用户画像用户向量化后就是用户画像，便签，注册资料，社交关系都是稀疏向量；Embedding，svd，主题模型选...
-
推荐系统陈开江 - C4 近邻推荐
基于内存，基于模型的协同过滤https://www.zhihu.com/question/23838165 主要讲协同过滤，基于内存的（推相似用户喜欢的，或者退喜欢用户相似的...
-
推荐系统陈开江 - C6 模型融合
哪几个部分？一阶模型融合，线性模型树模型二阶模型融合，FM高阶模型融合，Wide and Deep 1 线性模型和树模型 讲了什么？GBDT + LR融合 为什么融合？ 分为...
-
推荐系统陈开江 - C7 探索和利用
1 MAB问题和Bandit算法 Bandit算法定义最大化收益解决冷启动和EE问题最小化累积遗憾，把选择的机会给那些确定好的和还不确定的选项 Bandit算法实现汤普森采样...
-
推荐系统陈开江 - C12 效果保证
1 测试和常用指标 测试软件工程测试：单元测试，回归测试，压力测试离线模拟测试：AUC，TopK准确率在线对照实验：在线AB测试人工校验回访：人工介入测试，发现极端案例 检测...
-
推荐系统陈开江 - C11 关键模块
1 日志收集 需要的元素必要：用户ID，物品ID，事件名称和时间其他：从什么事件来，从什么页面来，事件发生时用户的相关属性，事件发生时物品的相关属性 推荐系统需要的矩阵Use...
-
推荐系统陈开江 - C10 架构总览
1 信息流推荐架构 聚合信息流 内容采集和分析 抓取，标注，分配ID，运营边界和调性，CMS，队列通知离线计算离线计算 推荐结果，用户画像，排序模型推荐服务日志收集和其他配套...