MMOE多任务模型 18年KDD google 原文链接：Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts 论文中提出了一个Multi-gate Mixture-of-Experts(MMoE)的多任务学习结构，学习任务之间的关系与特定任务功能，自动分配参数捕获共享任务信息或特定任务信息，避免了明显增加参数的缺点。 MMOE这篇论文，更像是一个多任务的一个框架，提供了一个简单又具有一定可

ESSM模型 2018 阿里妈妈 SIGIR 原文链接：Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate 该论文基于Multi-Task Learning 的思路，提出一种新的CVR预估模型，有效解决了真实场景中CVR预估面临的数据稀疏以及样本选择偏差这两个关键问题。 Sample Selection Bias (SSB)：转化是在点击之后才“有可能”发生的动作，传统

DIN模型（Deep Interest Network） DIN模型是阿里妈妈团队提出的CTR预估模型，虽然是几年前提出的，但是现在应用仍比较广泛。 原论文地址：Deep Interest Network for Click-Through Rate Prediction 对论文的核心总结：利用用户历史行为序列信息，使用类似Attetion的机制动态构建用户兴趣embeeding，使得模型能够捕获用户的兴趣。 该论文的主要贡献： 提出DIN模型，利用用户兴趣信息进行建模。 提出mini-batch awa

论文信息 题目 Heterogeneous Graph Attention Network 基于注意力机制的异构图神经网络 作者 Xiao Wang, Houye Ji，Chuan Shi等 论文水平 WWW 2019 其他 论文下载地址：https://arxiv.org/pdf/1903.07293.pdf github:https://github.com/Jhy1993/HAN ...

论文信息 题目 RoBERTa: A Robustly Optimized BERT Pretraining Approach 一个强力优化的BERT预训练方法 作者 Yinhan Liu，Myle Ott，Naman Goyal， Jingfei Du等 其他 论文下载地址：https://arxiv.org/abs/1907.11692?context=cs.CL Abstract 这篇论文更像是一篇丰富的实验报告，作者发现BERT严重训练不足，若加大训练后，BERT性能会有很大的提升。 因此，作者从

论文信息 题目 Sentence Embeddings using Siamese BERT-Networks 使用孪生BERT网络结构的句子嵌入 作者 Nils Reimers, Iryna Gurevych 论文水平 EMNLP 2019 其它 论文下载地址：https://arxiv.org/abs/1908.10084 该论文的相关代码已开源，github链接：sentence-transformers，sentenc-tansformers文档：官方文档 sentenc-tansformers非常

论文信息 题目 Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation 通过知识蒸馏使单语种句子嵌入多语种化 作者 Nils Reimers, Iryna Gurevych 论文水平 已被EMNLP 2020 接收 其它 论文下载地址：https://arxiv.org/abs/2004.09813 该论文的相关代码已开源，github链接：sentence-transformers，sentenc-t

TLDR (or the take away) 频率学派 - Frequentist - Maximum Likelihood Estimation (MLE，最大似然估计) 贝叶斯学派 - Bayesian - Maximum A Posteriori (MAP，最大后验估计) 两大学派的争...

1.什么是Promise Promise 是异步编程的一种解决方案，其实是一个构造函数，自己身上有all、reject、resolve这几个方法，原型上有then、catch等方法。 Promise对象有以下两个特点。 （1）对象的状态不受外界影响。Promise对象代表一个异步操作，有三种状态：...

朴素贝叶斯介绍 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。之所以叫朴素，是因为朴素贝叶斯法对条件概率分布作了条件独立性的假设。朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布P(X,Y)，然后求得后验概率分布P(X|Y)。 具体来说，利用训练数据学习P(X|Y)...