zccccc_

推荐系统的多任务目标 在业务场景中，常常不只有一个业务目标。比如Youtube：用户点击率，完播率，满意度指标等。 在模型中，如果采用一个网络同时完成多个任务，那么就可以把这样的网络模型称为多任务模型

DIN(Deep Interest Network)深度兴趣网络 在业务场景中，会有大量的用户历史行为信息。DIN模型的创新点就是使用了注意力机制来对用户的兴趣动态模拟，而这个前提就是用户之前有大量的

0. 背景 动机：手工构造的交叉特征有一些缺陷：特征工程需要耗费太多精力，模型是强行记住这些组合特征的，对于未曾出现过的特征组合，权重系数为0，无法进行泛化。 所以为了加强模型的泛化能力，研究者引入了

前面介绍的协同过滤和矩阵分解存在的劣势就是仅利用了用户与物品相互行为信息进行推荐， 忽视了用户自身特征， 物品自身特征以及上下文信息等，导致生成的结果往往会比较片面。 而这次介绍的这个模型是2014年

协同过滤（Collaborative Filtering)：仅基于用户行为数据，根据用户历史行为数据挖掘用户的喜好偏向 相似度度量方法 0.1 Jaccard相似系数：两用户交互物品集合的交并比。 只

推荐系统意义 信息爆炸的时代，如何将用户和他们感兴趣的内容连接在一起呢？对平台来说，用户得到感兴趣的内容就会提升使用时长；对广告商来说，把广告推荐给更有兴趣的客户可以赚取更加丰厚的利润；

在langchain实战课，作者使用了GPT4等进行API的调用，但是由于多种原因，使用了豆包API调用，在本文及接下来的序列文章将尽力还原读者代码和意图，并且交流在代码细节中的运用以及debug，与

在langchain实战课，作者使用了GPT4等进行API的调用，但是由于多种原因，使用了豆包API调用，在本文及接下来的序列文章将尽力还原读者代码和意图，并且交流在代码细节中的运用以及debug，与

在langchain实战课，作者使用了GPT4等进行API的调用，但是由于多种原因，使用了豆包API调用，在本文及接下来的序列文章将尽力还原读者代码和意图，并且交流在代码细节中的运用以及debug，与