项目NCELoss本质分类任务（正 vs 负）Softmax 近似是否校正偏差❌ 否（拟合二分类目标）✅ 是（log 采样概率校正）推理一致性❌ 不一致✅ 一致（训练/推理）采样分布要求灵活需明确估计qyq(y)qyNCELoss 多用于 word2vec、representation learning 等 embedding 学习场景Sampled Softmax 多用于大规模分类任务、推荐系统

bg:多模态和大模型出身。

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

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

见【搜广推校招面经六、七、十一】nn.ReLU(),nn.ReLU(),# 输出层：FM 和 DNN 部分的输出拼接self.output_layer = nn.Linear(1 + 1, 1) # FM 输出与 DNN 输出拼接# FM 部分：计算特征的二阶交互# DNN 部分：通过嵌入层和神经网络计算高阶特征交互# 输出层：将 FM 和 DNN 的输出拼接起来# 示例n_features =

上个月做一个竞赛，由于cpu实在太慢想着说调用gpu, 在网上看了一些教程以为要安装gpu版本的catboost，后面发现似乎直接把 task_type 参数改为 ‘GPU’ 便可。但是不知道为啥一运行就会出现内核死亡的问题， 在网上简单看了一下， 有的人使用xgboost也会出现这个问题，因为当时比较忙没有来得及解决，在这里标记一下。

上个月做一个竞赛，由于cpu实在太慢想着说调用gpu, 在网上看了一些教程以为要安装gpu版本的catboost，后面发现似乎直接把 task_type 参数改为 ‘GPU’ 便可。但是不知道为啥一运行就会出现内核死亡的问题， 在网上简单看了一下， 有的人使用xgboost也会出现这个问题，因为当时比较忙没有来得及解决，在这里标记一下。

【代码】力扣hot100_链表(3)_python版本。

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

对于一个类别分布Pp1p2pnPp1​p2​...pn​其中pip_ipi​表示第 i 类的概率，熵越大，表示分布越均匀（不确定性越高）。遍历每一个特征。对每个特征尝试所有可能的划分方式（取值、切分点）。根据分裂准则计算“划分优度”（如信息增益、信息增益率、Gini）。选择最优特征和划分点进行分裂。对子节点递归执行上述步骤，直到满足停止条件。