本章主要讲解一下在连续特征值的情况下如何进行因果图的挖掘。之前的介绍中节点的属性大部分以是否值为主。之前讲的优化的框架是如下的公式表达。max F(A)s.t.G(A)∈DAGs(1.1)max\ F(A) \\s.t.G(A) \in DAGs \tag{1.1}max F(A)s.t.G(A)∈DAGs(1.1)A 为因果结构的邻接矩阵,G(A)为A 所对应的有向无环图，DAGS 是所有可能的

本节咱们换个角度来讲Transformer模型，在上一个文章中，主要以计算的过程介绍模型的运行过程，本章中直接对着模型来进行进一步的讲解。通过上文的介绍，知道Transformer模型架构主要分为了编码器和解码器，那么对于模型架构来讲，咱们还是以这两部分分开讲解。编码器在编码器部分主要有两部分组成，一个是多头注意力层，一个是前馈神经网络，并采用残差机制和层归一化的方式链接。如上图的左侧部分。下图是

接下来这个问题就是要聊一下一个敏感的话题（价格歧视）。在垄断市场的环境下， 卖家能够根据需求的异质性进行区分定价，其目的是让价格尽可能靠近用于的预期支付价格，当然这个几个本身不重要，例如一个很富有的人，你可以把价格定个离谱的高，他也不会感觉到问题，这个时候的成交是能够准换成利润的，反之对于一个穷人来说，定价尽可能低，尽量促成交易，产生利润。在生活中也经常会遇到类似的事情，例如爬山的时候，越到山顶水

本章讲开启一个新的系列，并不是真的进入了一个新的行业，只是不满足原地踏步的自己。 开始系列中，仍然会以介绍一些简单框架和入门知识为主，后续再进一步的介绍相关的算法。需要说明的是定价策略是一门综合科学，包含了经济学、数学、博弈等多方面的知识。交易模式说到定价就不得说一下交易模式，其实从日常的生活中就能感受到，交易模式是越来越丰富的，在不同的交易模式下，对于定价的考量也是不太一样的。先来看看都有啥交易

图表示学习图结构是一个高维稀疏的数据表示，那么图表示学习是将这个高维稀疏的数据映射成低维度稠密的数据，这就是图表示学习的要解决的核心问题。图表示学习一般有两种方式，一种是顶点嵌入，另一种是整图学习。顶点嵌入一般是针对顶点维度，将每个订单映射成一个低维的向量表达，这种方式表达的粒度比较细，一般用于节点层面的预测或者节点分类。整图的表示学习则是针对全图生成一个向量，这种图表示学习方式粒度较粗，一般用于

基于策略的深度强化学习循环确定性策略梯度(RDPG)RDPG属于策略梯度算法。和前面讲到的基于值函数的训练方法不同，策略通过计算梯度更新策略网络中的参数，使得整个策略朝着奖励增高的方向更新。

平均值DQN是基于传统的DQN的一个简单但是非常有效的一个改进，它基于对先前学习过程中的Q值估计进行平均，通过减少目标价值函数中的近似误差方差，使得训练过程更加稳定，并提高性能。至于网络结构上是完全一致的。算法分析平均值DQN主要关注传统DQN学习过程中存在的误差，并想办法减少这些误差。Q(s,a;θi)Q(s,a;\theta_{i})Q(s,a;θi​)表示第i次迭代的值函数，Δi=Q(s,a

书接上回，今天我们来看一个更加复杂的问题，VRP问题【指车辆路径问题（Vehicle Routing Problem）】，通过上面的学习知道了TSP问题是一个人和若干个景点，遍历一遍的最小代价和方案。VRP问题的问题定义是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短

咱们先来说下TSP问题的背景， 背景讲的是一个游客和几个景点的故事， 一个游客想用最小的代价游历完所有的景点，一个是方案怎么选择，一个是最小代价是什么？这就引出了TSP问题，

今天来看看战略思维的东西，工作的时候我们经常被困到一个事情的细节中，缺乏宏观的思考，当然这也是缺乏战略思维的表现，经常会限制个人的发展，永远以细节思考，永远不会在更宏观的视角看待事情，也永远不能上帝视角思考问题，也找不到正确的路径。接下来就来了解一下战略思维的四种思维方式。

之前写了那么多因果推断的博客，这篇博客做一个大的总结。以前写了好多散点的知识，这篇文章就要将这些散点的知识进行一次汇总。宏观上看因果框架分为两个部分，一个是结构因果框架，一个是潜因果框架。本文主要讲解潜因果框架的内容。之前介绍了很多散点的知识，这一节中会逐渐找到这些知识的归属地。结构因果框架结构因果框架主要包含因果图和结构方程的内容。之前介绍了很多相关的内容，这里就不会一一介绍了。结构因果框架中的

本节要详细介绍一些Transformer这个常用的神经网络组件，会举一些十分详细的例子，目的是将这个网络结构讲清楚。TransformerTransformer结构是主要是编码器和解码器组成，Transformer逐渐其实是并且了经典的LSTM循环的机构，使用了一种自注意力的机制。这些我们举一个机器翻译的例子，来讲解整个过程。编码器编码器的主要作用是从输入的语句中尽可能多的提取特征，其结构如图2-