阿里DMR模型开源地址：https://github.com/lvze92/DMR背景这里不对背景做太多解释，主要是：最近比较流行的CTR预估网络主要花很多精力在挖掘用户的潜在兴趣、信息等，但是忽略了user与item之间的关联性，而user-item之间的关联性恰恰是最能够反映用户兴趣的地方，因此本篇文章主要是借鉴了协同过滤（CF） 中计算user-item和item-item矩阵相似度，同时基

一、霍夫变换本文主要介绍霍夫变换检测直线和圆的原理。霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的集合图像（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线（线段）。1、直线检测1.1 直线的表示方式对于平面中的一条直线，在笛卡尔坐标系中，常见的有两点式，点斜式表示方式。然而在Hough变换中，考虑的是另外一种

2、偏差图偏差图是单个特征中所有值与特定值之间的关系图，它反映的是所有值偏离特定值的距离。典型的偏差图有：发散型条形图，面积图，…我们什么时候需要偏差图呢？1.数据探索&数据解读探索某一特征的分布，探索该特征偏离某个特定值（均值，方差等）的程度。2.结果展示&报告呈现：直观地展示某个特征的分布特征，快速得出结论。2.1 发散条形图（Diverging Bars）如果你想根据单个指标

tensorflow实战一、Tensorflow计算模型——计算图计算图是Tensorflow中最基本的一个概念。Tensorflow中所有计算都会被转化为计算图上的结点。1.1计算图概念Tensorflow——可以拆分为：tensor与flow。tensor（张量）：可以简单理解为多维数组flow（流）：表达了张量之间通过计算相互转化的过程。Tensorflow实际上是一个计算图的形式来表达计算

鲁棒性我们在科学中使用「Robust」时所采用的含义，即一个系统或组织有抵御或克服不利条件的能力。举例来说，在建造一座大厦时，我们要考虑影响建筑物安全性的因素有哪些，例如建筑物如果处于震区，要考虑如何建造才能承受地震而不倒塌，遭遇恶劣天气（如台风、龙卷风）时需要承受几级大风以及如何让建筑能够抵抗此等级的天气等等。在计算机领域「鲁棒性」所表达的内涵是相似的，即该系统或算法能够适应应用环境，如数据中的

一、霍夫变换本文主要介绍霍夫变换检测直线和圆的原理。霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的集合图像（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线（线段）。1、直线检测1.1 直线的表示方式对于平面中的一条直线，在笛卡尔坐标系中，常见的有两点式，点斜式表示方式。然而在Hough变换中，考虑的是另外一种

一、半监督学习今天在阅读一篇论文时了解了这个之前一直不太清晰的概念。下面是查阅了相关资料后对半监督学习的理解。如有错误，望更正。半监督学习是一种介于监督学习和无监督学习之间的学习凡是，我们都知道，在监督学习中，样本的类比、类别标签都是已知的，学习的目的是找到样本的特征与类别标签之间的联系。一般来讲训练样本的数量越多，训练得到的分类器的分类精度也会越高。但是在很多现实问题当中，一方面是由于人工标记样

Transformer结构详解1.ransformer整体结构2.Transformer的输入2.1单词Embedding2.2 位置Embedding3.self-attention（自注意机制）3.1 self-attention结构3.2 Q，K，V的计算3.3self-atttention的输出3.4 Multi-Head Attention4.Encoder的结构4.1 Add &amp

一、霍夫变换本文主要介绍霍夫变换检测直线和圆的原理。霍夫变换是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的集合图像（如，直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线（线段）。1、直线检测1.1 直线的表示方式对于平面中的一条直线，在笛卡尔坐标系中，常见的有两点式，点斜式表示方式。然而在Hough变换中，考虑的是另外一种