召回，推荐系统的奠基者，拍脑袋的集大成者，业务效果的画线者。他决定了你最终能看到的内容的最大集合，他也决定了这次展示的业务体验。假设你是一名推荐系统的开发工程师，经过了几天几夜的爆肝后，第一版的推荐算法终于上线了。这时候，产品找了过来，“不行啊，结果里没有最近上新的产品啊，会影响后续ROI的。老板要求必须有新品的。”你想反驳却又没办法，只能想办法在结果中尽量恰当的显示新品。但是怎么做呢？新品没有足

近期在整理个人简历的时候，突发奇想，准备将我自己的简历放到github-pages上部署的blog里。所以就研究了一下如何在hexo中配置个人简历，一番折腾下来，确实配好了，但是却达不到完全通过markdown就可以实现我想要的效果。最终的结果就是在markdown里面增加了许多的html相关的配置，才达到了一个简单的效果。折腾过程就记录在这里，方便后续查阅吧。 最终效果 1. 前期准备为了实现

td, th, tr { border: none!important; } XXX 个人信息 : 男 : 南京大学 : 198-xxxx-xxxx : xxxxx@163.com : 算法工程师 : xxx

大家在平常的生活中，肯定经历过刷手机刷到停不下来的时候，最常见的就是在刷淘宝、抖音、小红书的时候，那么你有没有考虑过是什么原因导致你拿起手机就放不下呢？这篇文章主要就是为了探讨这些策略背后的秘密，让你了解到到底有多少人为了你在他们的app上花掉更多时间而努力着。 1. 什么是推荐系统？现在常提到的推荐系统其实是一种基于个性化的信息过滤系统。 那么这里就会出现两个问题： 什么是 个性化？ 为什么

markdown使我们在工作中常用的一种工具，可以极大的优化我们在文档编写方面的效率。 同样，流程图在日常工作中也是一件必不可少的利器。 那么有没有什么方法可以将这两种格式融合到一起进行处理呢？ 1. mermaid介绍 Meimaid是一个基于Javascript的图标绘制工具，通过解析类Markdown的文本语法来实现图表创还能和动态修改。 Mermaid诞生的主要目的是让文档的更新能够及

spark在读取csv文件的时候，会涉及到许多参数，这些参数的作用各有不同，这里进行一个简单的介绍。 1. spark读取csv文件df = spark.read.format('csv').option('sep', '\t').schema(schemas).load(path) 2. option参数介绍 参数 解释 默认值 sep 读取文件内容后，对同一行内容实用该参数指定

数据在推荐系统的任务中是重中之重，不光是推荐系统，在整个深度学习体系中，“garbage in，garbage out”都是从业者的金科玉律。所以，数据处理永远都是ai从业者在日常工作中难以忽略的一项极为重要的工作内容。 1. 数据构成推荐系统的数据构成相较其他的nlp、cv等机器学习领域，具有自己独特的特点，因为推荐系统的数据是来自于用户在前端的行为实时产生的数据，所以这些数据天然是具有标注

optimzer是在机器学习算法中的核心部分，针对常见的optimizer的具体实现原理和公式进行深入了解后，可以对使用模型训练过程中的问题分析有明显的帮助。 1. 优化器基本思路常见的优化器基本都是通过梯度下降（Gradient Descent）的方法对模型的参数进行更新，使根据损失函数在测试集合上的损失值逐步降低，从而达到优化模型的目的。这里按照常见优化器的更新和提出过程对他们的基本原理和

Model模块可以将Layer组合成具有针对特征的训练的推演功能的对象。 1. 简单介绍1.1 输入参数 参数名称 参数说明 inputs 模型的输入，可以是单个的tf.keras.Input也可以是一个由tf.keras.Input组成的List outputs 模型的输出 name 模型的名称，string类型 1.2 使用方法1.2.1 Functional API

MISSMISS是近期华为提出的一个应用在ctr预估任务上的多兴趣自监督学习插件，能简单的插入到现有的NN模型中，并有明显的效果提升（13.55%）。文章见《MISS: Multi-Interest Self-Supervised Learning Framework for Click-Through Rate Prediction》该论文通过$Sample-Level\ Data\ Argum