近日读到一篇非常不错的文章，忍不住转载过来，方便日后学习查阅，作者是新浪微博的张俊林，之前有幸听过他在线下的技术分享，印象深刻。这篇文章涵盖推荐系统最重要的三个环节：召回、排序、重排序涉及的相关技术路线，通过近两年的经典案例和论文，归纳总结了相关技术的发展演化趋势。 本文在原文的基础上，添加了相关论文的下载链接，并为了提高阅读性，文章排版稍有修改。 原文...
综述
「综述」相关文章列表
综述 推荐系统是一个有着诸多复杂因素联动起作用的系统，从诞生到成熟，推荐系统本身就带着很多不确定性。因此，推荐系统在研发完成后，作为技术人员的我们并不是马上就结束了战斗，在往后的日子里，我们必须时时刻刻地知道它当前的状态好不好，在整体环境中是不是很健康，所以必须有一系列测试方法和评测指标来了解当前的推荐系统的 “系统体征” 信息，以方便我们能够在复杂因素联...
排序算法是《数据结构和算法》中非常基础的算法，但却占据着十分重要的位置，几乎可以说是我们在日常编程代码中使用最频繁的基础算法。本文对常见的十大经典排序算法进行了详细的知识点梳理，从排序思路、动图演示、代码实现、复杂度分析、算法优化等多个方面分别对不同的排序算法进行讲解，内容翔实，一篇文章几乎囊括了排序算法所有必会的知识点。 排序算法的分析和评价 时间复杂...
学习率的重要性 如果把梯度下降算法比作机器学习中的一把 “神兵利器”，那么学习率就是梯度下降算法这把武器对应的 “内功心法”，只有调好学习率这个超参数，才能让梯度下降算法更好地运作，让模型产生更好的效果。 在《梯度下降算法总结》一文中，我们已经谈到过在实际应用中梯度下降学习算法可能会遇到局部极小值和鞍点两大挑战。那么，什么样的梯度下降才算是 “合格” 的...
概述 梯度下降是应用非常广泛的优化算法，也是目前最常见的优化神经网络的方法之一。从简单的线性回归到当下火热的深度学习，处处可见梯度下降的身影，由此可见梯度下降的重要性。现在很多知名的深度学习库都已经包含了各种梯度下降优化算法的实现（如 Tensorflow，Cafe，Keras），但依然很有必要去了解梯度下降的底层逻辑，熟知梯度下降不同变种之间的区别，并能...
熵 (entropy) 这一词最初来源于热力学。1948 年，克劳德·爱尔伍德·香农将热力学中的熵引入信息论，以此来解决对信息的量化度量问题。在机器学习中，“熵” 是一个非常重要的基础内容，在 Logistic 回归、决策树、深度学习计算机视觉、自然语言处理等很多地方都有涉及。本文将详细介绍各种各样的 “熵”。 信息量（amount of informat...
概念 正则化（Regularization）是机器学习中非常重要的一个技术点，因为它能够简单有效的减少泛化误差，在机器学习的应用实践中出现频率很高，尤其在深度学习模型中，由于其模型参数非常多很容易产生过拟合，使用正则化技术是一个行之有效的方法。 常规的正则化是通过在模型的损失函数中引入一个正则化项，来惩罚模型的复杂度。正则化项通常是模型参数的函数，它使得...