Äú¿ÉÒÔ¾èÖú£¬Ö§³ÖÎÒÃǵĹ«ÒæÊÂÒµ¡£

1Ôª 10Ôª 50Ôª





ÈÏÖ¤Â룺  ÑéÖ¤Âë,¿´²»Çå³þ?Çëµã»÷Ë¢ÐÂÑéÖ¤Âë ±ØÌî



  ÇóÖª ÎÄÕ ÎÄ¿â Lib ÊÓÆµ iPerson ¿Î³Ì ÈÏÖ¤ ×Éѯ ¹¤¾ß ½²×ù Model Center   Code  
»áÔ±   
   
 
     
   
 ¶©ÔÄ
  ¾èÖú
Youtube ¶ÌÊÓÆµÍƼöϵͳ±äǨ£º´Ó»úÆ÷ѧϰµ½Éî¶Èѧϰ
 
À´Ô´£ºÌÚÑ¶ÔÆ ·¢²¼ÓÚ£º 2017-8-1
  3325  次浏览      28
 

YoutubeÊÇÈ«Çò×î´óµÄÊÓÆµ·ÖÏíÆ½Ì¨£¬Óû§Á¿¸ß´ï10ÒÚ+£¬Ã¿ÌìÉÏ´«µÄUGCºÍPGC¶¼ÊǰÙÍò¼¶±ð¡£ÄÇôÎÊÌâ¾ÍÀ´ÁË£¬ËûÃÇÊÇÈçºÎÈÃÓû§ÔÚÕâô¶àµÄÊÓÆµÖпìËٵķ¢ÏÖ×Ô¼º¸ÐÐËȤµÄÄÚÈÝÄØ£¿´ó¼Ò¿ÉÄÜ»áÏëµ½ËÑË÷£¬È·ÊµËÑË÷ÊÇÒ»¸ö±Ø²»¿ÉÉٵŤ¾ß£¬µ«ÓÐÒ»¸öǰÌáÌõ¼þÊÇÓû§±ØÐëÖªµÀÊÓÆµµÄ¹Ø¼ü´Ê£¬Í¨¹ýËÑË÷¹Ø¼ü´Ê²ÅÄÜÕÒµ½¶ÔÓ¦µÄÊÓÆµ£¬²¢ÇÒÓû§ºÜ¶àʱºòÆäʵ²¢²»ÊǺÜÖªµÀ×Ô¼ºÐèҪʲôÑùµÄÄÚÈÝ£¬¹äyoutube´¿´âΪÁË´ò·¢Ê±¼ä¡£ÎªÁ˺ܺõĽâ¾öÓû§¿ìËÙ·¢ÏÖ¿ÉÄܸÐÐËȤµÄÊÓÆµÕâ¸öÎÊÌâ£¬ÍÆ¼öϵͳ¾ø¶ÔÊÇËÑË÷µÄÒ»¸öºÜºÃµÄ²¹³ä¡£

±¾ÎÄÖ÷Òª½éÉÜyoutube 10ÄêÍÆ¼öϵͳÏà¹ØµÄËã·¨ºÍ²ßÂÔ±äǨ¡£

±ÊÕß´ÓÍøÉÏÕÒµ½ÁËÈýƪ½éÉÜyoutubeÍÆ¼öϵͳÏà¹ØµÄÎÄÕ£¬Ò»ÆªÊÇ2008Äê·¢±íµÄ¡¶Video suggestion and discovery for youtube: taking random walks through the view graph¡·£»Ò»ÆªÊÇ2010Äê·¢±íµÄ¡¶The_YouTube_video_recommendation_system¡·»¹ÓÐһƪÊÇ2016Äê·¢±íµÄ¡¶ Deep Neural Networks for YouTube Recommendations¡·£¬ÕâÈýƪÎÄÕ½éÉܶ¼ÁËyoutubeÍÆ¼öϵͳÒÔ¼°ÄÚ²¿Ëã·¨¼Ü¹¹£¬Í¨¹ýÕâЩÎÄÕÂÎÒÃÇ¿ÉÒÔ¿úËÅÆäÔÚ²»Í¬Ê±ÆÚ£¬»ùÓÚ²»Í¬×ÊÔ´ºÍ¼¼Êõ¶ÔϵͳµÄ½ø»¯¹ý³Ì£¬¶ÔÓÚÏëÔÚ×Ô¼º³¡¾°ÖÐʹÓÃÍÆ¼ö¼¼ÊõµÄͬѧÓзdz£ºÃµÄ½è¼øÒâÒ壻

08Äê·¢±íµÄÄÇÆªÏà¶ÔÓÚºóÃæÁ½ÆªÀ´Ëµ¼¼ÊõÉϲî±ð»¹ÊÇÂù´óµÄ£¬×÷Õß°ÑÍÆ¼öÎÊÌ⽨Á¢ÔÚÒ»¸öuser-videoµÄͼÉÏ£¬¶ÔÓÚij¸öuser£¬×÷Õß¶¨ÒåÁËËû¿ÉÄܸÐÐËȤµÄvideo v ÐèÒªÂú×ãµÄÌõ¼þ£º

1¡¢uµ½vµÄ·¾¶ÊÇ×î¶ÌµÄ

2¡¢uµ½vÓо¡¿ÉÄܶàµÄ·¾¶

3¡¢uµ½vÒª±Ü¿ªÈÈÃÅvµÄÓ°Ï죨ÈÈÃÅv¿ÉÒÔ¸ù¾Ý¶ÈÀ´Åжϣ©

¸ù¾ÝÉÏÊöÈý¸ö±ê×¼£¬¿ÉÒÔ¸øÍ¼ÉÏÿ¸öÓû§ÍƼöÊʺϵÄvideo£»ÄÇÈçºÎʵÏÖÄØ£¿ÎÄÕÂÀï×÷ÕßÌá³öÁËÒ»ÖÖ½Ð×öAdsorptionµÄѧϰ¿ò¼Ü£¬Õâ¸ö¿ò¼ÜÄ¿±êÊǽâ¾öÉÙÁ¿Óбê×¢£¨labeled£©Êý¾Ý¼¯£¬À´Ô¤¹À´óµÄÎÞ±ê×¢£¨unlabeled£©Êý¾Ý¼¯µÄÎÊÌâ¡£×÷ÕßʹÓöàÖÖ·½·¨ÔÚÕâ¸öËã·¨¿ò¼ÜÉϱÈÈçAverageing¡¢Random Walk¡¢Linear System£¬²¢ÇÒ¸ø³öÁ˺ܶà¸ÅÄÒåºÍËã·¨ÃèÊö£¬ÊµÑé½á¹ûÒ²ÊǷdz£ÎüÒýÈË£»¶ÔÓÚͼģÐÍ£¬Random WalkÊÇÒ»¶¨»áÏëµ½µÄ½â¾ö·½°¸£¬ÆäÂß¼­Êǽ«Ã¿¸ö¶¥µãVµÄlabel·¢Ë͵½Ïà¹ØÁªµÄÁÚ¾ÓÉÏ£¬ÔÚÿ´Î´«µÝ½áÊøºó£¬¶Ô¶¥µãµÄlabel½øÐйéÒ»»¯¡£¶ÔÓ¦µ½ÊÓÆµÍƼöÊÇÎÒÃǹ»½¨user¹Û¿´£¨µ±È»¿ÉÒÔÊÇÆäËûÐÐΪ£º×ªÆÀÔ޵ȣ©videoµÄ¹ØÏµÍ¼£¬°ÑÓû§Ï²»¶¿´µÄÊÓÆµµ±×÷label£¬È»ºó½øÐÐËæ»úÓÎ×ߣ¬½«labelÍÆ¹ãµ½ÆäËûÊÓÆµÉÏ¡£Õâ¸öËã·¨ÊÔÑé½á¹ûºÜºÃ£¬µ«ÊÇÎÄÕÂÒ²ÊÇÊǸø³öÁËÆ¯ÁÁµÄ½á¹û£¬¶ÔÀïÃæÊµÏÖÒ»±Ê´ø¹ý£¬ÎÒÀí½â¶ÔÓÚÕâô´óµÄÊý¾ÝÁ¿¼¶Ê¹ÓÃÕâÖÖµü´úËã·¨£¬¼ÆËã´ú¼ÛÊǷdz£¸ßµÄ£¬ËùÒÔÓ¦Óõ½Êµ¼Ê³¡¾°£¬ÏµÍ³¹¤³ÌÒªÇóÒ²ÊǷdz£¸ß¡£

Ïà±ÈÓÚ08ÄêÎÄÕ£¬2010Äê·¢±íÔÚRecSysµÄÎÄÕ£¬²»¹ÜÊÇÐÐÎÄ·ç¸ñ£¬»¹ÊÇËã·¨¼Ü¹¹¶¼·¢ÉúÁ˷dz£´óµÄ±ä»¯£¬08ÄêÎÄÕ³äÂúÁËѧÊõÆøÏ¢£¬³¤Æª´óÂÛ£¬µ«ÊÇÈçºÎÓ¦Óõ½Êµ¼ÊÒµÎñÖв¢Ã»ÓÐÌáµ½ºÜ¶à£»2010ÄêµÄÎÄÕº̣ܶ¬4Ò³£¬·Ç³£¼òµ¥Ã÷Á˵ĽéÉÜÁËyoutubeÍÆ¼öϵͳµÄ·½·½ÃæÃ棬ͬʱ»¹½éÉÜÁ˺ܶàʵ¼ÊÒµÎñÖÐÐèҪʹÓõÄtrick£¬±ÈÈçÈçºÎ½â¾öÏà¹ØÍÆ¼ö´øÀ´µÄÐËȤÏÁÕ­ÎÊÌ⣬ÒýÈëminimum score thresholdÈ¥³ý²»Ïà¹ØÊÓÆµµÈ£¬ÔÚʵ¼ÊÒµÎñÖзdz£ÓÐ½è¼øÒâÒå¡£ÕâÆªÎÄÕ½éÉܵÄÍÆ¼ö³¡¾°ÊÇyoutubeÖ÷Ò³£¬³¡¾°µÄÄ¿µÄÊǸøÓû§Ìṩ¸öÐÔ»¯µÄÄÚÈÝÒÔ´ËÌáÉýÓû§Ê¹ÓÃÍøÕ¾µÄ»¥¶¯ÐÔºÍÓéÀÖÐÔ¡£ÎÄÕ½éÉܵĺËÐÄËã·¨Æäʵ¾ÍÊÇitem-basedËã·¨£¬È»ºó¸ù¾ÝÓû§ÔÚÍøÕ¾ÉϵÄÀúÊ·ÐÐΪ¸øÆäÉú³ÉÒ»¸ö¸öÐÔ»¯µÄÊÓÆµÁÐ±í£º

ÎÄÕÂ×÷ÕßÒ²Ìáµ½£¬ËûÃǰÑÕâ¸öÎÊÌⶨÒå³ÉTOP-NÍÆ¼öÎÊÌ⣬¶ø²»Êǵã»÷Ô¤¹ÀÎÊÌ⣬ÐèÒªÍêÕûµØ¿¼ÂÇÄÚÈݵÄÐÂÏʶȡ¢¾«È·¶È¡¢¶àÑùÐÔÒÔ¼°Óû§½üÆÚÐÐΪ¡£ÁíÍâÈÏÕæµÄͬѧ»á·¢ÏÖÍÆ¼öÁбíÖУ¬Ã¿¸öÊÓÆµ·âÃæÍ¼Æ¬ÏÂÃæÓÐϵÁеĽéÉÜ£¬±êÌâ¡¢ÊÓÆµ·¢±íʱ¼ä¡¢¹Û¿´´ÎÊý¡¢Because you watch XXX£»ÀïÃæÍÆ¼öÀíÓÉÒ²ÊǷdz£ÖØÒªµÄ£¬ÈÃÓû§ÖªµÀΪʲô»á¸øËûÍÆ¼öÕâ¸öÊÓÆµ£¬¶øÇÒÁбíǰËĸöBecause you watch¶¼²»Í¬£¬ËµÃ÷ÊǾ­¹ýÁ˲ßÂԵĵ÷Õû¡£

»Øµ½ÎÄÕºËÐÄËã·¨£¬Òª¸ù¾ÝÓû§ÀúÊ·ÐÐÎªÍÆ¼öÏà¹ØÊÓÆµ£¬Ò»¸öºËÐÄÎÊÌâÊǼÆËãÊÓÆµÓëÊÓÆµµÄÏà¹Ø¶È£¬×÷ÕßÎÄÕÂÖÐ˵ÊÇʹÓÃÁËassociation rule miningµÄ¼¼ÊõÀ´½â¾ö£¬ÆäʵÊÇʹÓÃco-viewÀ´¼ÆËãÊÓÆµÖ®¼äµÄÏàËÆ¶È£º

¹«Ê½ÀïÃæ·Ö×Ó Cij ±íʾÊÓÆµ i ºÍÊÓÆµ j ÔÚÒ»¸öʱ¼ä´°¿Ú£¨ÎÄÕÂÓÃ1Ì죩ÀïÃæco-viewµÄ´ÎÊý£¬·Öĸf(Vi ,Vj) ÊÇÒ»¸ö¹æ·¶»¯º¯Êý£¨normalization functions£©£¬À´±ÜÃâÈÈÃÅÊÓÆµ´øÀ´µÄÓ°Ï죬ÎÄÕÂÖÐÁоÙÁËÒ»¸ö¼òµ¥µÄº¯Êý£ºf(vi, vj) = ci ¡¤ cj £¬µ±È»Êµ¼ÊÒµÎñÖпÉÒÔ¸ù¾ÝÒµÎñ֪ʶ×Ô¶¨ÒåÕâ¸ö¹æ·¶º¯Êý£»Èç¹ûÊÇʹÓÃf(vi, vj) = ci ¡¤ cj£¬ÄÇôr(vi, vj)Æäʵ¾ÍÊǹØÁª¹æÔòÖÃÐŶȵļÆË㹫˾£¬¶ÔÓÚÖÖ×ÓÊÓÆµVi£¬ÒªÕÒµ½×îÏàËÆµÄÊÓÆµ£¬ci ÊDz»Ó°ÏìÅÅÐò£¬¶ø cj Ö±½Ó´òѹÁËÈÈÃÅÊÓÆµµÄÓ°Ï죬һ¶¨³Ì¶ÈÉÏÌáÉýÁ˶àÑùÐÔ£¬²¢ÇÒ¶ÔÓÚÐ¡ÆØ¹âÊÓÆµÓзö³Ö×÷Óá£ÉÏÊö¼ÆËãÏà¹ØÐԵĹ«Ê½£¬Ö»ÊÇÒ»¸ö¼òµ¥³éÏó£¬ÎÄÕÂÌᵽʵ¼ÊÒµÎñÖл¹¿¼ÂÇÁ˺ܶàÒòËØ£¬±ÈÈç²¥·Åʱ¼ä´Á¡¢²¥·ÅÐòÁС¢video metadata µÈ¡£ÓÐÁËÊÓÆµÖ®¼äµÄÏà¹ØÐÔ£¬¾Í¿ÉÒÔ½«Ã¿¸öÊÓÆµ×÷Ϊ½Úµã£¬ÊÓÆµÖ®¼äµÄÏà¹ØÐÔrij×÷Ϊ±ßµÄȨֵ¹¹½¨Ò»¸öÓÐÏòµÄ video graph£¬½ÓÏÂÀ´¸ù¾ÝÕâ¸öͼΪÿ¸öÓû§ u À´²úÉúÍÆ¼öºòÑ¡¼¯ºÏ£¬È»ºó½«ÍƼö¼¯ºÏ´«Èë½øÈëÅÅÐò²ãÉú³ÉÍÆ¼öÁÐ±í£¬´ó¸ÅÂß¼­ÈçÏ£º

ÖÖ×ÓÊÓÆµÉú³ÉÊǸù¾ÝÓû§ÀúÊ·ÕýÏòÐÐΪ»ñÈ¡µÄ£¬±ÈÈçÓû§Êղء¢ÔÞ¡¢¼ÓÈë²¥·ÅÁÐ±í¡¢ÆÀ·ÖµÈ¡£ÓÐÁË video graph ºÍÖÖ×ÓÊÓÆµ£¬¸ù¾Ý item - based Ëã·¨¾Í¿ÉÒÔ¸úÿ¸öÓû§Éú³ÉÒ»¸ö¸öÐÔ»¯µÄÍÆ¼öºòÑ¡³Ø£¬µ«ÊÇ×÷ÕßÈÏΪÕâÖÖ´«Í³×ö·¨»áÈÃÓû§µÄÐËȤԽÀ´Ô½Õ­£¬ÓÚÊÇËûÃÇÔÚËÑË÷×î½üÁھӵĻù´¡ÉϼÓÒÔÀ©Õ¹£¬ËÑË÷¶à½×µÄ×î½üÁÚ¾Ó£¬¹«Ê½ÈçÏ£º

Éú³ÉÍêºòѡ֮ºó£¬ÏÂÒ»²½ÊÇ´Ó¼¸°Ù¸öÊÓÆµÖУ¬ÌôÑ¡¼¸¸öµ½Ê®¼¸¸öÊÓÆµÕ¹Ê¾¸øÓû§£¬ÄDZØÐëÐèÒªÓÐÒ»¸öÅÅÐòËã·¨£¬ÎÄÕÂÖÐÌáµ½ÁËÈýÀàÐ͵ÄÒòËØÓÃÓÚ×îÖյĴò·Ö£º

1.v ÊÓÆµÖÊÁ¿

2.v Óû§µÄÇкϳ̶È

3.v ¶àÑùÐÔ

ÊÓÆµÖÊÁ¿Ö÷ÒªÊǸù¾ÝÓû§·´À¡ÐÅÏ¢À´µÃµ½£¬±ÈÈçÊÕ¿´ÊýÄ¿¡¢×ܱ»¹Û¿´Ê±³¤¡¢ÆÀ·Ö¡¢ÆÀÂÛ¡¢ÔÞ¡¢·ÖÏíµÈ£¬Í¬Ê±»¹ÓÐÊÓÆµµÄÉÏ´«Ê±¼äÖ®ÀàµÄÐÅÏ¢

Óû§Çк϶ÈÊÇÈ¡¾öÓÚÓû§¶ÔÖÖ×ÓÊÓÆµµÄϲ»¶³Ì¶È£¬ÒÔ¼°ÊÓÆµÖ®¼äµÄÏàËÆ³Ì¶È£¬Í¬Ê±¼ÓÇ¿½üÆÚÐÐΪ¡£¶àÑùÐÔÖ÷ÒªÊÇͨ¹ý·ÖÀàÊýÄ¿À´ºâÁ¿£»È»ºó°ÑÕâÈý·½ÃæµÄÒòËØ×÷ÏßÐÔ¼ÓȨµÃµ½ºòÑ¡¼¯ºÏµÄÈ¨ÖØ£¨×¢£ºÈç¹ûÓÃÊ÷Ä£ÐÍ»òÕß FM Ä£ÐÍÓ¦¸Ã¿ÉÒÔÈ¡µÃ¸üºÃµÄ³É¼¨£©£¬ÅÅÐòµÃµ½ÍƼöÁÐ±í¡£

ÍÆ¼öϵͳʵÏÖ·½Ãæ·ÖΪÈý¸ö·½Ã棺1¡¢Êý¾ÝÊÕ¼¯£»2¡¢ÍƼöºòÑ¡Éú³É£»3¡¢ÏßÉÏÍÆ¼ö·þÎñ£»ÏµÍ³Ö÷ҪʹÓÃÁË Bigtable ºÍ mapReduce ʵÏÖ;

2016ÄêµÄÂÛÎÄÓõ½µÄ¼¼ÊõÏà¶ÔÓÚ2010ÄêÓÐÁ˷dz£´óµÄ¸Ä±ä£¬ËùÓõ½µÄÊý¾ÝÔ´Ò²²»½ö½öÖ»ÓÐÓû§ÏÔÐÔÐÐΪ£¬µ«ÊÇÖ÷¿ò¼Ü»¹ÊǺòÑ¡Éú³É+ÅÅÐòÄ£Ð͵Äģʽ£¬Ö»ÊÇÕâÁ½²ã¼Ü¹¹¶¼ÊÇʹÓÃÁËÉî¶ÈÄ£ÐÍ£¨ËIJ㣬Æäʵ²»ÉÏÂͼÊÇ16ÄêÂÛÎÄÖÐÌáµ½µÄ¼Ü¹¹Í¼£º

Ö÷¼Ü¹¹Í¨¹ý candidate generation£¨ºòÑ¡Éú³É£©Ä£¿é£¬´Ó°ÙÍòvideo corpus£¨ËùÓÐÍÆ¼öºòÑ¡³Ø£©ÕÒ³ö¼¸°Ù¸öÓëÓû§Ïà¹ØµÄ´ýÍÆ¼öÊÓÆµ£»È»ºóranking£¨ÅÅÐò£©Ä£¿é½«ºòѡģ¿é²úÉúµÄÍÆ¼öÁбíÖÐÔÚÑ¡ÔñÊ®¼¸¸öÊÓÆµÕ¹Ê¾¸øÓû§¡£ÕâÆªÎÄÕ±ȽÏÓпª´´ÐÔµÄÊÇ£¬ÔÚÕâÁ½¸öÄ£¿éÖж¼Ê¹ÓÃÁËÉî¶Èѧϰ£¬ºÏÀíµÄ½«²»Í¬ÌØÕ÷ºÍ²»Í¬Êý¾ÝÔ´ÈÚºÏÔÚÒ»Æð£¬²¢È¡µÃ·Ç³£²»´íµÄЧ¹û¡£ÏÂͼÊǺòÑ¡Éú³ÉÄ£ÐÍ¿ò¼Ü£º

ÎÄÕ½«ÍƼöÎÊÌâת»»Îª¼«¶à·ÖÀàÎÊÌ⣨extreme multiclass classication£©£¬¹«Ê½ÈçÏ£º

±íʾÔÚʱ¿Ì t£¬Óû§U£¨ÉÏÏÂÎÄÐÅÏ¢C£©ÔÚÊÓÆµ¿âVÖо«×¼µÄÔ¤²â³öÊÓÆµ i µÄÀà±ð£¨Ã¿¸ö¾ßÌåµÄÊÓÆµÊÓΪһ¸öÀà±ð£¬i ¼´ÎªÒ»¸öÀà±ð£©µÄ¸ÅÂÊ¡£ÉÏÃæµÄ¹«Ê½ÊÇÒ»¸öÃ÷Ï﵀ softmax ¶à·ÖÀàÆ÷µÄÐÎʽ£»ÆäÖÐ u ºÍ v£¬·Ö±ðÊÇÓû§µÄ embdded ÏòÁ¿ºÍÊÓÆµµÄ embdded ÏòÁ¿£¬¾ßÌåÔõôÀ´µÄÄØ£¿¶ÔÓÚÊÓÆµÏòÁ¿£¬ÎÄÕ²ÉÓÃÁË word embedding µÄ·½Ê½¼ÆËã³öÿ¸öÊÓÆµµÄ embedded ÏòÁ¿£¨Ô­ÎÄ£ºInspired by continuous bag of words language models,we learn high dimensional embeddings for each video in a fixed vocabulary and feed these embeddings into a feedforward neural network£©£»¶ø u ÔòÊÇͨ¹ýÊäÈëÓû§ÐÅÏ¢ºÍÉÏÏÂÎÄÐÅÏ¢¸øÉÏÃæÄ£Ðͼܹ¹ÑµÁ·µÃµ½¡£

Õû¸öÄ£ÐÍÓɰüº¬Èý¸öÒþ²ãDNN×é³É£¬ÊäÈë²ãÊäÈëµÄµÄÐÅÏ¢ÓУ¬Óû§²¥·ÅÀúÊ·ºÍËÑË÷ÀúÊ·embeddedÏòÁ¿·Ö±ðÈ¡average£¬ÔÙ¼ÓÈëÓû§»ù´¡»­Ïñ£¨ÄêÁä¡¢ÐÔ±ðµÈ£©ÆäÓàÌØÕ÷£ºÊÓÆµÖÊÁ¿¡¢ÊÓÆµageµÈÌØÕ÷concat³ÉÏòÁ¿ÊäÈ룻´ÓÉÏͼ¿ÉÒÔ¿´³ö£¬Êä³ö·ÖΪservingºÍtrainingÁ½¸ö²¿·Ö¡£Training²¿·ÖÊä³ö²ãÊÇsoftmax²ã£¬Ò²¾ÍÊÇÉÏÃæÌáµ½µÄÄǸö¹«Ê½±íʾµÄ¸ÅÂÊÖµ£¬ÏßÉϲ¿·Öͨ¹ýuÏòÁ¿ºÍvÏòÁ¿µÃ³öÓû§Ïà¹ØtopNÊÓÆµ£¨×¢£ºservingÊÇÖ¸ÏßÉÏÍÆ¼ö·þÎñ£»trainingÊÇÀëÏßѵÁ·Ä£ÐÍ£»ÏÂͬ£©¡£

Ranking Ä£ÐÍ¿ò¼Ü£º

Ranking ²ã´Ó¼Ü¹¹ÉϸúºòÑ¡Éú³É²ã»ù±¾Ò»Ö£¬²»Í¬ÊǵÄ×îºóÊä³ö²ãtrainingÊÇÒ»¸ö weighted logistic£¬¶øserving½×¶Î¼¤»îº¯ÊýÊÇex£»ranking²ãÕë¶ÔÊÓÆµ²¥·Åʱ³¤½øÐн¨Ä££¨²¢²»ÊÇÒ»¸öµ¥´¿µÄctrÔ¤¹ÀÄ£ÐÍ£¬ÎÄÕÂÖ¸³ö£¬µ¥´¿¸ù¾Ý CTR À´½øÐÐÍÆ¼ö£¬»á³öÏÖ¡°clickbait¡±£¬Ò²¾ÍÊÇÖú³¤±êÌâµ³£¬·âÃæµ³£»ÕâÑù²¢²»ÄÜ´øÀ´Óû§Í£Áôʱ³¤µÄÌáÉý£©£¬ÒÔÓÐûÓеã»÷À´»®·ÖÕý¸ºÑù±¾£¬ÕýÑù±¾¸ù¾Ý²¥·Åʱ³¤½øÐмÓȨ£¬ÕýÑù±¾µÄÈ¨ÖØÊDz¥·Åʱ³¤ Ti£¬¸ºÑù±¾È¨ÖØÊÇ1£¬¶ø×îºóÒ»²ãÄ£ÐÍÊÇweighted logistic regression£»ÄÇôLRѧµ½µÄoddsΪ£º

ÆäÖÐ N ÊÇ×ܵÄÑù±¾ÊýÁ¿£¬k ÊÇÕýÑù±¾ÊýÁ¿£¬Ti ÊǵÚiÕýÑù±¾µÄ¹Û¿´Ê±³¤¡£k Ïà¶Ô N ±È½ÏС£¬Òò´ËÉÏʽµÄ odds ¿ÉÒÔת»»³ÉE[T]/(1+P)£¬ÆäÖÐ P Êǵã»÷ÂÊ£¬µã»÷ÂÊÒ»°ãºÜС£¬ÕâÑù odds½Ó½üÓÚE[T]£¬¼´ÆÚÍû¹Û¿´Ê±³¤¡£Òò´ËÔÚÏßÉÏ serving µÄ inference ½×¶Î£¬ÎÒÃDzÉÓà ex ×÷Ϊ¼¤Àøº¯Êý£¬¾ÍÊǽüËÆµÄ¹À¼ÆÆÚÍûµÄ¹Û¿´Ê±³¤¡£

ÁíÍâÎÄÕÂÒ²»¨ÁËºÜ´óÆª·ù½«ÌØÕ÷¹¤³ÌÏà¹ØµÄ¹¤×÷£¨ÕâÓëÉî¶Èѧϰ×Ô¶¯ÌáÈ¡ÌØÕ÷Óе㲻·û£¬¹þ¹þ£©×÷Õß˵ËäÈ»Éî¶Èѧϰ¿ÉÒÔ»º½âÈ˹¤¹¹ÔìÌØÕ÷µÄ¸ºµ££¬µ«ÊÇԭʼÊý¾ÝÒ²ÊÇÎÞ·¨Ö±½Óι¸øÇ°À¡Éñ¾­ÍøÂ磬ËùÒÔÌØÕ÷¹¤³ÌÒÀ¾É·Ç³£ÖØÒª£»

Ôڼܹ¹ÉÏÕû¸öÍÆ¼öϵͳÊǽ¨Á¢ÔÚ Google brain ÉÏÃæ£¬Ê¹Óà TensorFlow ½øÐн¨Ä£¡£

±¾ÎÄͨ¹ý¶Ô youtube ²»Í¬Ê±ÆÚ·¢±íµÄÎÄÕ£¬¿ÉÒÔ¿´µ½Æä¼¼ÊõµÄ±äǨ£¬10ÄêµÄÍÆ¼ö¼¼ÊõµÄ»ýÀÛ£¬ÓкܶණÎ÷¿ÉÒÔÖµµÃÎÒÃÇȥѧϰµÄ¡£

   
3325 ´Îä¯ÀÀ       28
Ïà¹ØÎÄÕÂ

»ùÓÚͼ¾í»ýÍøÂçµÄͼÉî¶Èѧϰ
×Ô¶¯¼ÝÊ»ÖеÄ3DÄ¿±ê¼ì²â
¹¤Òµ»úÆ÷ÈË¿ØÖÆÏµÍ³¼Ü¹¹½éÉÜ
ÏîĿʵս£ºÈçºÎ¹¹½¨ÖªÊ¶Í¼Æ×
 
Ïà¹ØÎĵµ

5GÈ˹¤ÖÇÄÜÎïÁªÍøµÄµäÐÍÓ¦ÓÃ
Éî¶ÈѧϰÔÚ×Ô¶¯¼ÝÊ»ÖеÄÓ¦ÓÃ
ͼÉñ¾­ÍøÂçÔÚ½»²æÑ§¿ÆÁìÓòµÄÓ¦ÓÃÑо¿
ÎÞÈË»úϵͳԭÀí
Ïà¹Ø¿Î³Ì

È˹¤ÖÇÄÜ¡¢»úÆ÷ѧϰ&TensorFlow
»úÆ÷ÈËÈí¼þ¿ª·¢¼¼Êõ
È˹¤ÖÇÄÜ£¬»úÆ÷ѧϰºÍÉî¶Èѧϰ
ͼÏñ´¦ÀíËã·¨·½·¨Óëʵ¼ù