FM算法是一种基于矩阵分解的机器学习算法，是为了解决大规模稀疏数据中的特征组合问题。在传统的线性模型如LR中，每个特征都是独立的，如果需要考虑特征与特征之间的交互作用，可能需要人工对特征进行交叉组合；非线性SVM可以对特征进行kernel映射，但是在特征高度稀疏的情况下，并不能很好地进行学习；现在也有很多分解模型Factorization Model如矩阵分解MF、SVD++等，这些模型可以学习到

本文主要介绍Google官网提供的word2vec工具：word2vec，计算词的连续分布表示的工具。本文并不涉及word2vec算法的原理与细节，只是简单的介绍了word2vec这个工具及一些在实践中的表现等。word2vec工具提供了CBOW模型和skip-gram模型计算词的向量表示的有效实现。这些表示能够随后应用在后期的NLP应用和进一步研究中。

本文主要介绍Google官网提供的word2vec工具：word2vec，计算词的连续分布表示的工具。本文并不涉及word2vec算法的原理与细节，只是简单的介绍了word2vec这个工具及一些在实践中的表现等。word2vec工具提供了CBOW模型和skip-gram模型计算词的向量表示的有效实现。这些表示能够随后应用在后期的NLP应用和进一步研究中。

Reinforcement Learning是机器学习的重要分支，其核心在于‌智能体（Agent）通过与环境的动态交互学习最优决策策略‌，以最大化长期累积奖励。

郑泽宇&梁博文&顾思宇著《TensorFlow实战Google深度学习框架（第2版）》第8章循环神经网络部分样例代码。

本篇只介绍QLeaning相关算法。

郑泽宇&梁博文&顾思宇著《TensorFlow实战Google深度学习框架（第2版）》第8章循环神经网络部分样例代码。

Reinforcement Learning是机器学习的重要分支，其核心在于‌智能体（Agent）通过与环境的动态交互学习最优决策策略‌，以最大化长期累积奖励。

MMoE是谷歌在2018年发表在KDD上的一篇基于多任务学习的经典论文，其使用场景是对不相关任务的多任务学习。在推荐系统中，这些不相关的任务可以示例为：视频流推荐中的CTR、时长、点赞、分享、收藏、评论等相关性不强的多个任务。

DSSM，全称Deep Structured Semantic Model，就是我们通常所说的双塔模型，是微软公司提出的一种基于深度网络的语义模型，其核心思想是将query和doc映射到到共同维度的语义空间中，通过最大化query和doc语义向量之间的余弦相似度，从而训练得到隐含语义模型，达到检索的目的。DSSM有很广泛的应用，比如：搜索引擎检索，广告相关性，问答系统，机器翻译等。