• Compete 2
• Contrastive Learning 9
• Dataset 2
• Deep Learning 12
• Graph 1
• Machine Learning 1
• Nearest Neighbor Search 1
• Seq2Seq 12
• Tensorflow 1
• 人生思考 5
• 其他 1
• 推荐系统 1

Compete

• 特征工程中的缺失值插补
• House Price快速构建一个BaseLine模型

Contrastive Learning

• 接纳不完美的自己读书笔记
• DIN Attention的代码解析
• DSSM模型上的迭代工作
• 常用评估指标的原理和计算方式
• 怎么样做有效的特征选择
• 常用评估指标的原理和计算方式
• 关注入口数据下跌排查
• EmbedX 上Graph Sage的迭代
• INFO-NCE远离

Dataset

• 特征工程中的缺失值插补
• House Price快速构建一个BaseLine模型

Deep Learning

• Bandit在推荐系统中的使用
• 基于推荐数据构建RNN模型
• YouTube中Weight Logistic Regression 的介绍和使用
• 模型选择值AIC&BIC
• 基于TF Serving部署TensorFlow模型
• HashMap相关常见的问题
• YouTube DNN实践过程的一些细节
• YouTube DNN论文精读
• L1正则和L2正则的区别
• Wide & Deep Learning for Recommender Systems
• 推荐系统中的传统方法:奇异值分解
• Alibaba DIN模型介绍

Graph

• HNSW的基本原理及使用

Machine Learning

• Candidate Sampling

Nearest Neighbor Search

• HNSW的基本原理及使用

Seq2Seq

• Bandit在推荐系统中的使用
• 基于推荐数据构建RNN模型
• YouTube中Weight Logistic Regression 的介绍和使用
• 模型选择值AIC&BIC
• 基于TF Serving部署TensorFlow模型
• HashMap相关常见的问题
• YouTube DNN实践过程的一些细节
• YouTube DNN论文精读
• L1正则和L2正则的区别
• Wide & Deep Learning for Recommender Systems
• 推荐系统中的传统方法:奇异值分解
• Alibaba DIN模型介绍

Tensorflow

• Candidate Sampling

人生思考

• 召回部分代码重构
• Mind多兴趣召回
• 我们是怎么样定义自己的
• 丢失了我的爱情
• 我们是怎么样定义自己的

其他

• To Do List

推荐系统

• 腾讯广告MVKE实现多目标的用户画像建模