感悟之降维打击

最近看了一本书,比较有意思,将书中一些关键的点分享出来,供大家分享使用,其实不管你知道多少道理,最后一定要你的生活中使用才能获得正在的成长。老鼠的降维思路大家知道,如果再过几千年以后,地球上最可能存活的生物什么吗? 如果人类已经不在啦,哪会有什么生物存在的。 估计就是老鼠、蟑螂这类的生物会称霸地球。人类对老鼠总是喊打喊杀,为什么这么长的时间里,却没有将其完全消灭呢?引出第一个结论, 谁在主场谁就是

因果框架--潜因果框架(二)

今天咱们进一步看因果推断的内容,做的业务多了以后你就发现,每当端到端的模型,一般不能解决你的认知问题,你做了一个端到端的模型,可能仅仅也就是是个模型,可能最重要的是你从这个事情中学到了什么?这个才能驱使你成为一个专家,行业专家。 所以多了解一些因果推断的内容是十分必要的,今天就来看看uplift建模方式。重新出发因果推断的建模大致为了解决以下几个问题。ITE: 单体的处置效应$$ITE=Y_{i}

时间序列预测(五)--Prophet模型

今天来介绍一个Prophet模型是FB出品的一个可解释性极强的一个模型,使用起来十分简单,咱们主要还是讲解其中的原理。Prophet模型Prophet模型使用经典的时间分解预测的方法, 将预测任务分类趋势影响、季节影响、节假日影响,以及噪声影响,这也比较适合咱们的时间预测的场景。$$y_{t}=g(t)+s(t)+h(t) \tag{1.1}$$$y_{t}$是预测值,$s(t)$季节趋势、$g(

时间序列预测(四)--TCN模型

今天介绍的是TCN模型,在介绍这个模型的过程中,会介绍很多额外的小知识点,个人觉得还是很有用的。下面咱们就来介绍TCN模型。TCN模型先来看问题定义,对于时序问题还是老生常谈的输入输出形式。 $x=[x_{0},x_{1},...x_{T} ]$, 作为输入的值, 输出就是对应的$y=[y_{0}, y_{1},...,y_{T}]$作为输出。那么TCN模型是如何组织模型结果的呢?刚开始的时候作者

时间序列预测(三)--LSTNet模型

今天来介绍另一个复杂的模型LSTNet模型, 这个时序模型是专门解决多元时间预测问题的,多元时间预测哦。 模型结构十分复杂,其中很多设计还是能有很多借鉴作用的,希望大家能够学习并且用到实际工作中。LSTNet模型结构

时间序列预测(二)--N-BEATS模型

今天咱们来介绍一个纯时序模型,N-BEATS模型,直接开门见山看看模型的机构,然后对着模型解读。N-BEATS模型结构图1.1就是N-BEATS模型的结构,看起来比较复杂,咱们拆开来看。首先来看模型的输入,输入的是观测序列$[y_{1},...,y_{T}]$, 输出是预测数据$[y_{T},...,y_{T+H}]$, 这里在原文中描述T=nH, n一般取2到7。看上图的模型主要有几个结构,分别

时间序列预测(一)--DeepAR模型

今天咱们就来看看第一个时序模型,可能有些同学都没有听说过这个模型,这个模型还是相对复杂的,接下来咱们来看看这个模型。 对于一般的时序任务,大家一般会想到NLP中的一些序列模型,LSTM、GRU等模型,这类方法都是给出一个确定的预测值,接下来咱们要介绍这个模型有一点不一样,DeepAR模型并不是直接简单地输出一个确定的预测值,而是输出预测值的一个概率分布,这样做其实有点好处,咱们给出的预测值其实很难

时间序列预测(零)--时序预测基础

时间序列预测可以称得上是一个及其普遍的一个算法问题,解决的方法也比较成熟,你可能第一时间想到的就是AR模型,以及各种自回归模型。然后xgboost似乎也能做时序问题,只是将原有的问题当成回归问题即可,某种意义上可解释性也能够得到一定的满足。再然后就是GRU、LSTM这类循环神经网络,借鉴自NLP中使用深度模型来解决时序预测问题。除了以上的这类方法,你还能知道那些方法吗?接下来的这个系列一定能让你受

推荐搜索之DIEN模型

今天要讲的这个网络同样是出自阿里巴巴,这个模型能够被提出来的核心点是阿里巴巴想通过模型模拟了用户兴趣的进化过程。玄乎一点就是想你和用户兴趣转移过程,这一点被提出来还是十分吸引人的。那么接下来咱们就看看DIEN的“进化”动机。DIEN模型上文提到了,如果想要刻画出用户兴趣转移应该从哪方面入手呢? 刻画一个事务的变化过程一定是通过一个序列进行表达是最合适的,所以大方向确定了,接下来咱们看看是如何使用的

推荐搜索之DIN模型

今天要说的DIN模型是产自阿里巴巴推荐团队,它的应用场景是阿里巴巴的电商广告推荐。无论是用户还是广告,都含有两个非常重要的特征--商品id(good_id)和商铺id(shop_id)。用户特征里的商品id是一个序列, 代表用户曾经点击过的商品集合,商铺id 同理;而广告特征里的商品 id 和商铺 id 就是广告对应的商品 id 和商铺 id。基于base模型的一些缺点,例如用户特征组中的商品序列

推荐搜索之Deep&Cross

讲过了Wide&Deep模型以后,貌似已经全面了,是不是就是重点了呢? 其实还会有后文可以继续补充咱们的知识面。有请Deep&Cross网络登场。Deep&Cross模型之前咱们讲过使用简单模型增强网络的记忆功能, 实际上,我们还想进一步的增加它的交叉能力,所以顺理成章的引进了Cross网络进行补充,接下来咱们看一按下Deep&Cross模型的模型结构。设计Cros

推荐搜索之Wide&Deep

Wide&Deep现在咱们就要看一下在推荐领域最经典的Wide&Deep模型了。被冠以集合了记忆和泛化能力的模型。其Wide 部分的主要作用是让模型具有较强的“记忆能力” memorization);Deep部分的主要作用是让模型具有“泛化能力”(generalization).记忆能力“记忆能力”可以被理解为模型直接学习并利用历史数据中物品或者特征的 “共现频率”的能力。般来说,
Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×