前言：
此刻各位老铁们对“网站广告代码”大约比较讲究，兄弟们都想要了解一些“网站广告代码”的相关知识。那么小编同时在网摘上网罗了一些关于“网站广告代码””的相关内容，希望同学们能喜欢，大家快快来了解一下吧！什么是稠密特征？
本赛题中利用 word2vec 变换得到的特征维度设定为 n*64，因此得到的稠密特征也是一个 n*64 的矩阵。稠密的特性体现在，64 个维度上每一个维度都存在有意义的值，需要进行计算。如下图：
稠密特征的特点是保留了尽可能多的信息，但是相应的也增加了很多的计算量，大大提高了计算的时间复杂度。
如何得到稠密特征？
本赛题中使用 word2vec 和 deepwalk 两种模型来获得稠密特征。
word2vec 旨在利用一个简单的神经网络模型，对特征按照神经元个数进行矩阵分解，得到的中间矩阵就是我们想要的稠密特征。
deepwalk 是一个图模型，旨在表达节点之间的点和边的关系。可以得到如下图的矩阵：
代码
word2vec
model = Word2Vec(sentence, size=L, window=10, min_count=1, workers=10,iter=10)
deepwalk
# 构建图 dic={} for item in log[[f1,f2]].values: try: str(int(item[1])) str(int(item[0])) except: continue try: dic['item_'+str(int(item[1]))].add('user_'+str(int(item[0]))) except: dic['item_'+str(int(item[1]))]=set(['user_'+str(int(item[0]))]) try: dic['user_'+str(int(item[0]))].add('item_'+str(int(item[1]))) except: dic['user_'+str(int(item[0]))]=set(['item_'+str(int(item[1]))])# 构建路径path_length=10 sentences=[] length=[] for key in dic: sentence=[key] while len(sentence)!=path_length: key=dic[sentence[-1]][random.randint(0,dic_cont[sentence[-1]]-1)] if len(sentence)>=2 and key == sentence[-2]: break else: sentence.append(key) sentences.append(sentence) length.append(len(sentence)) if len(sentences)%100000==0: print(len(sentences))# 使用 word2vec 训练Deepwalk模型 random.shuffle(sentences) model = Word2Vec(sentences, size=L, window=4,min_count=1,sg=1, workers=10,iter=20)# 对模型进行输出out_df=pd.DataFrame(w2v)赛题里是如何使用稠密特征的？本赛题是直接将稠密特征放入 MLP 中计算的
if hparams.dense_features is not None: feed_dic[self.dense_features]=train_dense_features[idx*hparams.batch_size:\ min((idx+1)*hparams.batch_size,len(train))]...loss,_,norm=sess.run([self.score,self.update,self.grad_norm],feed_dict=feed_dic)本赛题中涉及到到稠密特征？uid_w2v_embedding_aid_64_1uid_w2v_embedding_aid_64_2...uid_w2v_embedding_aid_64_64uid_aid_aid_deepwalk_embedding_64_1uid_aid_aid_deepwalk_embedding_64_2...uid_aid_aid_deepwalk_embedding_64_64periods_on_1periods_on_2...periods_on_48
版权声明：
本站文章均来自互联网搜集，如有侵犯您的权益，请联系我们删除，谢谢。
标签： #网站广告代码
