始终

这篇谈谈我眼中推荐系统和计算广告之间的差别。

当然，限于角色和身份，我只能站在算法工程师的角度，去谈一谈两种系统的优化目标之间的差异，以及这种差异引起的一系列不同。

经常浏览「始终」博客的读者很容易会发现，当你在浏览器中切换 tab 页到其它网页时，始终博客的页面会有一定概率「崩溃」。具体来说，tab 页上的标题会变成 ╭(°A°`)╮ 页面崩溃啦~ 这样子，切换回来之后又会发现页面其实没问题，同时标题会变成 (ฅ>ω<*ฅ) 咦，又好了~ 这样子。因为这个彩蛋比较有趣，所以很多朋友回点回来看一看页面发生了什么。想想还是蛮有趣的。

最近有不少朋友问到这个效果是怎么实现的。这里记录一下。

昨天 jsteward 问我，有一个接受若干个同类型参数的函数 template <typename U, typename T> U func(T a, T b, T c)，现在有一个 std::vector<T> args，希望将 std::vector<T> 当中的元素作为函数参数传进去，要怎么办。

这篇来解决这个问题。

先前我们从 LR 开始，讨论了因子分解机（FM）模型。FM 解决了稀疏数据场景下的自动特征组合问题，因而在广告、推荐等具有高维稀疏特征的领域被广泛使用。因其简单、可解释性强、效果好，FM 模型通常会被作为业务初期快速取得收益的首选。

这里将 FM 模型家族至今为止的演进做一个整理总结。

作为一个强迫症（OCD）患者，曾经我一直对随机梯度下降（Stochastic Gradient Descent）表示怀疑。毕竟，每次只选择少量样本计算梯度，这靠谱吗？强迫症患者心里泛起了浓浓的怀疑。然而经年的实践经验结合理论分析表明，强迫症患者也需要随机梯度下降。

这篇文章尝试尽可能用少的数学公式，讲一讲这个问题。