今天详细看了下推荐广告系统的online_learning，顾名思义，online_learning就是在线输入样本，更新模型，尽可能做到分钟级/小时级的模型更新，其实关键就是几个问题： 模型怎么学习？ 怎么降低模型复杂度，保证inference的低延时？ 参考博文 : FTRL 不太简短之介绍 模型怎么学习？这个其实很简单，其实要求我们可以基于在线输入的样本，进行权重参数更新，基于类似随机梯

梳理一下FM和FFMFM： 参数复杂度：O(n*k) 计算复杂度：O(n^2 k)，但可以通过目标函数转换变为O(n k) FFM: 参数复杂度：O(nkF) 计算复杂度：O(n^2 k)，无法简化。*注意：每个特征都有自己所在的域，特征1和特征2交叉时，特征1的域向量选择特征2所在域F2，特征2的域向量选择特征1所在域F1。其实FFM就是把一个one-hot 变量中FM对应的向

广告类型 原生广告 原生广告在视觉形式上与广告投放到的应用内容界面相契合，可为用户带来浑然一体的体验。这种类型的广告就是原生广告。（这个就是不容易让人发现它是一个广告） 搜索广告 搜索广告是以上下文查询词为粒度进行受众定向,并按照竞价方式售卖和CPC(即“按点击收费”)结算的广告产品。例如大家在百度上面搜索python，就会搜索出一堆培训机构放在前面，这就是搜索广告。 信息流广告 信息流

参考文章：万变不离其宗：用统一框架理解向量化召回 召回本质召回本质上和排序其实存在很大的区别： 召回模型特征是解耦的，排序模型的特征是交叉的，这个是性能上的考虑。 召回是样本的艺术，排序是特征的艺术。召回的负样本如果用的是曝光未点击，和排序类似的话，就有问题，这样召回的训练和预估的数据分布不一致了。因此召回的负样本是随机采样。 召回的几种类型 i2i:拿用户喜欢的item找相似item。就比如

一、背景Attention是目前最热的深度学习方向，最开始从NLP领域的机器翻译方向发源，到如今百花齐放到各个领域，包括推荐搜索，计算广告等等，万物皆可embedding，万物皆可attention，因为attention的本质就是为了更好的做embedding。 本篇文章按照attention发展的顺序来阐述： Seq2Seq模型 Attention机制 Transformer的Self-At

注意事项类和实例都可以访问 类变量，但是实例只能访问，无法修改，一旦修改了，则会生成一个同名的实例变量，而非本身的类变量。 12345678910class A(object): a = 1 # 类变量print(A.a) # 1t = A()print(t.a) # 1, 访问的是类变量t.a = 4 # 生成一个实例变量，而非修改类变量print(t.a) # 4print(A

小结： 在C++中，多态是靠虚函数实现的，因为如果是普通函数，调用的方法是根据当前指针类型来判断的，而不是根据指针所指向对象的类型，JAVA则是根据实际对象分配的，所以JAVA的普通函数就类似C++的虚函数。 所以C++如果一个类是基类，它的析构函数一定是虚函数。 C++的纯虚函数就类似JAVA的抽象函数，也就是只有函数定义。 C++的抽象类就是JAVA的抽象类，也就是有至少有一个纯虚函数/抽

今天在研究一个大型c++工程如何做单元测试，这个工程是用blade进行构建的，之前不是特别懂blade，看了网上的相关博客以及github的wiki，大致明白了blade原理，确实相比makefile而言，blade构建是更加方便简洁的。 参考相关博客：blade学习 , blade git wiki ，blade cc wiki 具体不解释了，主要记录几个关键点： cc_library就是要打

以前linux用的是initd工具来管理系统，后来渐渐被systemd取代了。具体可看这篇博客，介绍得非常详细。 注意以下几点： systemd是可以直接与系统内核交互的，比如关机，关电源，停止cpu计算等。 unit是一个资源的概念，不仅仅包含service，还有很多其他的比如挂载，硬件设备等资源。 target是一个unit组的概念，相当于以前的run_level。比如poweroff，re

内积首先介绍点积(dot product)，点积是一种接受两个等长的数字序列（通常是坐标向量）、返回单个数字的代数运算。 而内积(inner product)就是两个笛卡尔坐标向量的点积。 符号：$a \cdot b $ 叉积叉积(cross product)，又称向量积(vector product)。 外积首先介绍张量积(tensor product)，记为$\otimes$，可以应用于不同