极大似然法（Maximum Likelihood Estimation, MLE）是一种，旨在找到使观测数据出现的概率最大的模型参数。在深度学习中−。

模型名称低阶交互建模高阶交互建模需要人工特征工程共享 Embedding手工特征 (Wide)DNN (Deep)✅ 需要人工特征❌ 不共享WideFMFMDNN❌ 不需要人工特征❌ 不共享DeepFMFMDNN❌ 不需要人工特征✅ 共享xDeepFM（eXtreme Deep Factorization Machine） 是在 DeepFM 之后提出的一种推荐系统模型，主要用于 自动学习高阶特征

【代码】力扣hot100_链表(3)_python版本。

本文摘要： Bagging与Boosting对比：Bagging并行训练模型减少方差，Boosting串行训练纠正偏差；Bagging对数据有放回采样，Boosting加权采样误差样本；Bagging抗过拟合强，Boosting需调参防过拟合。 梯度下降与梯度提升：梯度下降优化参数空间，更新模型参数；梯度提升优化函数空间，逐步逼近最优函数；前者用于参数化模型，后者构建复合模型（如XGBoost）。

当优化一个任务时，另一个任务的性能下降。任务之间的损失函数相互竞争，导致模型难以同时优化所有任务。

【代码】力扣hot100_子串_python版本。

允许 Python 开发者轻松使用 Spark 进行大规模数据处理。，比 Hadoop MapReduce 更快，适用于。的 Python API，提供了。Spark 本身是一个。

倾向分消偏主要通过计算个体的倾向分来调整不同组别的样本，使其在统计上更加可比。IPS 和 DR 消偏提供了一种基于加权和双重稳健的方法来进一步减少偏差。消偏塔采用分层处理的方式，从原始数据到最终模型，逐步减少选择偏差，提升模型的稳健性。使用显式特征的在线交互感知提升网络（EFIN）

Python 装饰器（Decorator）是一种用于修改或扩展函数或方法行为的特殊语法。它本质上是一个高阶函数，接受一个函数作为输入，并返回一个新的函数。装饰器通常用于在不修改原函数代码的情况下，为函数添加额外的功能（如日志记录、权限检查、性能测试等）。

Triplet Loss 用于强化 anchor 和 positive 的距离比 anchor 和 negative 的距离更近，通常用于 embedding 学习。BPR Loss 是推荐召回中非常经典的pairwise ranking loss，目的是让正样本得分比负样本得分高。model.eval()# 设置为推理模式，使用moving统计量。model.train()# 设置为训练模式，使