各位大佬好，最近我又抑鬱了。比上不足，我比上不足，life is harder.
for recommendation in deep learning qq group 277356808
for visual in deep learning qq group 629530787
i'm here waiting for you
有些公號的文章罵我，翻譯*****誰不會，老子其實不是秀，我翻譯下至少當時「假裝理解」了，是不是真的懂不知道，但過後還可以自己再看下啊，不然又要重頭看，那樣太累了。另外至少我翻譯時不會想很多雜亂的破事，至少我可以靜下來，別亂指責別人，總有你不了解的事。
初探秘境——about item cold-start
先不要急著否定乙個人，不妨等他表演結束，給他乙個show的機會。
collective factorization背後的意圖
這是常見的形式，最後一項是正則項，為了解的光滑性及避免過擬合。這裡有兩個考慮，乙個是低緯空間，乙個是線性近似。乙個很自然的假設在此：流形假設，如果兩個資料點在無論什麼角度是相近的，那麼他們在其他低緯度也是相近的，這個假設是很重要的，在維度減少和半監督學習中。最近的相關研究表明，譜圖理論及流形學習可以有效擬合一些資料點，通過一些近鄰圖。邊可以是2值的，也可以是權值的。這樣，乙個矩陣a可以用於度量兩個點的距離，collective factorization將每個點對映到乙個低緯的表達wi也就是w矩陣的每行。乙個很自然的度量兩個低緯表達的距離的方法是計算其尤拉距離|wi-wj|^2。a是xi和xj的區域性距離，因而可以將a作為低緯表達的光滑性引數：
d是對角矩陣，每個輸入都是a的行和，例如
其實也就是增加一項，用於降維及光滑性考慮。這就是lce優化問題，其實沒啥，，，哈哈
優化方法
針對上面非凸問題的優化，期望乙個演算法能夠找到全域性最優的點是不現實的。因此，推導乙個迭代演算法（基於多個更新規則）獲得乙個穩定點。這裡不再貼出來了，估計也沒人去推導啥的，作為乙個搬磚工，那就是了解即可，詳細推導見這裡。
另外這個圖也說明，加不加上面的tr專案都可以，有可能不加反而好很多，為了技算效率考慮，我覺得不加就可以了。但下面試驗是有的。
引數分析——消融試驗
lce模型有三個重要的引數，乙個k——隱向量的維度，alpha——權重，lambda——控制光滑解。其中k也控制著模型的複雜度，小的k欠擬合，大的k過擬合，效果都不好，所以需要試驗。
*****說了，beta和lambda表現特性差不多，所以就沒給，我可以大膽推測，其實beta等於0效果也不差，你看看lambda的效果。k和alpha取4或5都不錯，但下文計算cpu執行時間卻說k是10^2量級，這個。。。兩個k不一樣意思還是上圖的k缺少了量級？有點懵逼啊。下圖是訓練時間，
這裡是用matlab寫的**，不知道有沒有大佬看的上，或者你搞成個python/cpp版本的給我用用，哈哈。大致看了下**並不複雜，按照我的思路搞個baseline不難，刪掉beta項，去掉lambda項，這就容易多了，轉成python版本也不難。我們下次再見。願我們終有會面之時，而你還記得我們曾經討論的話題。
像迷幻，如夢初醒的一對眼。
似夜晚，星光一般璀璨。
是常在心間，濃情從未淡。
這份愛的感嘆，這一生不褪減。
【20201206-19:26補充】
我特麼發完就看到有個博文與此lce對比，肯定啊，因為這是7年前的*****了，我覺得這個理論上好理解，而且很好回答面試中的問題，如果你用高大上的問題，難免會給自己挖坑，一問三不知很可怕。
推薦系統的冷啟動問題
使用者冷啟動 2 引導使用者填寫興趣 外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直接上傳 img d6gpgxgw 1614269253067 img recommend5.png 4 新老使用者推薦策略的差異 舉例 性別與電視劇集的關係 外鏈轉存失敗,源站可能有防盜煉機制,建議將儲存下來直...
推薦系統中的冷啟動問題
冷啟動問題的研究意義 目前針對冷啟動問題提出了一些解決方法，如隨機推薦法 平均值法 眾數法 資訊熵法 相似度度量改進法結合內容資訊的方法等。不同的演算法有各自的優點和不足，充分認識各演算法的效能特徵，掌握其適用的特定環境，便於研究者發現不同演算法的改進點，明確演算法的研究方向。更重要的是便於推薦系統...
冷啟動問題 如何構建你的機器學習組合？
n 作為即將告別大學的機器學習畢業狗的你，會不會有種迷茫的感覺？你知道 hr 最看重的是什麼嗎？在求職季到來之前，畢業狗要怎麼做，才能受到 hr 的青睞 拿到心儀的 offer 呢？負責幫助應屆生找到機器學習工作的 edouard harris 給我們分享了他見到的例子和觀點，希望對面臨就業壓力不斷...