在个性化推荐系统的研究中，用户兴趣建模始终是核心挑战之一。随着深度学习的发展，研究者提出了多种模型以挖掘用户的动态偏好。其中，DIN（Deep Interest Network） 和 SASRec（Self-Attentive Sequential Recommendation） 分别代表了推荐系统中两种截然不同的建模路径。

LGB最显著的优点就是快，其原理之前看过很多次，但是发现还是讲的不是很流畅主要是因为对每个方法理解的不够深。于是找来LightGBM的原文首先要知道，lgb模型都是处理二维结构化数据的。因此，lgb速度优化的两大算法就是从如何减少这两个维度开始的，知道这个就会比较清楚的理解lgb的几个算法是在干什么。EFB算法采用构图(build graph)的思想，将特征作为节点，不互斥的特征之间进行连边，然后

DQN 是 DeepMind 在 2015 年提出的深度强化学习算法，通过使用神经网络来逼近 Q-learning 中的 Q 函数，解决了传统 Q-learning 无法应对高维状态空间的问题。

见【搜广推校招面经六十二信息增益是一种用于特征选择的指标，广泛应用于构建决策树（如 ID3 算法）。它衡量的是某个特征 A 在对数据集 D 进行划分后，信息不确定性的减少量。熵 和 条件熵。

实际工作中其实不需要自己安装和配置，更重要的是会用。所以就不研究怎么安装配置了。前面介绍过：简单来说，Spark是一款分布式的计算框架，用于调度成百上千的服务器集群，计算TB、PB乃至EB级别的海量数据。Spark作为全球顶级的分布式计算框架，支持众多的编程语言进行开发。

MAP 估计在贝叶斯框架下，结合了似然函数和先验分布，找到使后验概率最大化的参数。

【代码】力扣hot100_二叉树(4)_python版本。

问题方向优化建议指标不一致设计更贴合业务的评估指标（如 Weighted NDCG）分布不一致使用近线训练样本，引入在线特征、周期性更新模型部署不一致特征/模型/服务版本对齐，建立稳定部署流程策略干扰区分模型效果与策略干预效果，独立评估纯模型表现数据不闭环建立推荐结果与点击行为的闭环采样与再训练机制。

Q（Query）：查询向量K（Key）：键向量V（Value）：值向量然后通过如下公式计算注意力权重和输出：其中：n 是序列长度，d 是特征维度√d_k 是缩放因子，用于避免梯度爆炸DQN（Deep Q-Network）是将深度神经网络应用于强化学习Q-learning的一种方法，用于在高维状态空间中逼近Q函数。核心思想：使用一个深度神经网络Q(s, a;θ)来逼近最优动作价值函数Q*，并通过不断

One-vs-Rest (OvR) 方法：将多分类问题转化为多个二分类问题，每个类别分别计算AUC，最后取平均。One-vs-One (OvO) 方法：对每两个类别计算AUC，最后取平均。