计算广告-笔记10:基础知识储备

信息检索

倒排索引:从大量文档中查找包含某些词的文档集合

向量空间模型(Vector Space Model, VSM):最基础最重要的相似度度量方法之一

  • 文档表示方法:用各个关键词在文档中的强度(如TF-IDF)组成的矢量来表示文档

  • 词频(Term Frequency, TF):某文档中,该词出现的频率

  • 倒数文档频率(Inverse document frequency, IDF):该词在所有文档中出现的频繁程度的倒数

    • DF(m):出现词m的文档总数目
    • N:总的文档数目
    • 出现m的文档越多,则DF(m)越大,N不变,则IDF越小,表示该词重要性越低
  • 相似度度量方法:一般采用余弦相似度

    • 两个矢量在尺度上没有归一化时,仍然可以得到比较稳健的结果

最优化

给定某个确定的目标函数,及该函数自变量的一些约束条件,求解该函数的最大或最小值的问题

有约束的优化问题转化为无约束问题

  • 拉格朗日乘子法

    • 引入拉格朗日对偶函数,对偶问题的最优值是原问题最优值的下界
    • 原问题是凸函数时,两者完全一致,称为强对偶。但是不是只有凸函数才是强对偶。
  • KKT条件

无约束问题求解方法

  • 不可导或求导代价大

    • 下降单纯形法
  • 容易求导:线搜索方法
    先确定方向,再计算步长

    • 梯度下降法
    • 牛顿法
    • 拟牛顿法
  • 置信域法:每次迭代,将搜索范围限制到x的置信域内,然后同时决定下次迭代的方向和步长;如果当前置信域内找不到可行解,则缩小置信域范围。

统计机器学习

最大似然估计:

把模型的参数看成是固定的,找到使得训练数据上似然值最大的参数

  • 最大熵(ME)

    • 原理:当在某些约束条件下选择统计模型时,需要尽可能选择满足这些条件的模型中不确定性最大的那个。
    • 最大熵解<==>对应指数型分布的最大似然解
  • 指数族分布(单模态)

  • 指数族分布参数的最大似然估计,可以完全由其充分统计量u(x)得到。

  • 重要的指数族分布

    • 高斯分布
    • γ分布
    • β分布
    • 多项式分布
  • 混合模型(多模态)

    • 高斯混合模型(Mixture of Gaussians, MoG)
    • 概率潜在语义索引(Probabilistic Latent Semantic Index, PLSI)
    • EM算法

贝叶斯估计:

模型参数服从一定分布的随机变量

  • 共轭先验
  • 经验贝叶斯

深度学习

  • 神经网络优化方法:梯度下降法
  • 卷积神经网络CNN
  • 循环神经网络RNN
  • 生成对抗网络GAN

本文永久更新地址: https://notlate.cn/p/c4c4a6c224a9f5d2/

评论

  1. 4 天前
    2024-12-10 1:37:10

    Can you be more specific about the content of your article? After reading it, I still have some doubts. Hope you can help me.

  2. 2 周前
    2024-12-02 1:28:35

    Your article helped me a lot, is there any more related content? Thanks!

  3. Edge
    3 周前
    2024-11-25 6:23:24

    Your point of view caught my eye and was very interesting. Thanks. I have a question for you.

  4. 3 周前
    2024-11-23 0:33:33

    Can you be more specific about the content of your article? After reading it, I still have some doubts. Hope you can help me.

  5. 4 周前
    2024-11-15 5:23:42

    Thanks for sharing. I read many of your blog posts, cool, your blog is very good.

  6. 6 月前
    2024-6-11 17:22:25

    Can you be more specific about the content of your article? After reading it, I still have some doubts. Hope you can help me.

  7. Edge
    6 月前
    2024-6-06 18:55:35

    Thanks for sharing. I read many of your blog posts, cool, your blog is very good.

  8. 9 月前
    2024-4-01 22:56:35

    Your article helped me a lot, is there any more related content? Thanks!

发送评论 编辑评论


				
|´・ω・)ノ
ヾ(≧∇≦*)ゝ
(☆ω☆)
(╯‵□′)╯︵┴─┴
 ̄﹃ ̄
(/ω\)
∠( ᐛ 」∠)_
(๑•̀ㅁ•́ฅ)
→_→
୧(๑•̀⌄•́๑)૭
٩(ˊᗜˋ*)و
(ノ°ο°)ノ
(´இ皿இ`)
⌇●﹏●⌇
(ฅ´ω`ฅ)
(╯°A°)╯︵○○○
φ( ̄∇ ̄o)
ヾ(´・ ・`。)ノ"
( ง ᵒ̌皿ᵒ̌)ง⁼³₌₃
(ó﹏ò。)
Σ(っ °Д °;)っ
( ,,´・ω・)ノ"(´っω・`。)
╮(╯▽╰)╭
o(*////▽////*)q
>﹏<
( ๑´•ω•) "(ㆆᴗㆆ)
😂
😀
😅
😊
🙂
🙃
😌
😍
😘
😜
😝
😏
😒
🙄
😳
😡
😔
😫
😱
😭
💩
👻
🙌
🖕
👍
👫
👬
👭
🌚
🌝
🙈
💊
😶
🙏
🍦
🍉
😣
Source: github.com/k4yt3x/flowerhd
颜文字
Emoji
小恐龙
花!
上一篇
下一篇