推荐部分补充

README.md

@@ -342,7 +342,24 @@
 # 推荐
 - DIN
 - DeepFM
+    - [DNN与DeepFM之间的区别](推荐/DeepFM.md#L164)
+    - [Wide&Deep与DeepFM之间的区别](推荐/DeepFM.md#L164)
+    - [你在使用deepFM的时候是如何处理欠拟合和过拟合问题的](推荐/DeepFM.md#L164)
+    - [DeepFM怎么优化的](推荐/DeepFM.md#L164)
+    - [不定长文本数据如何输入deepFM](推荐/DeepFM.md#L164)
+    - [deepfm的embedding初始化有什么值得注意的地方吗](推荐/DeepFM.md#L164)
+        - [Xavier初始化](推荐/DeepFM.md#L164)
+        - [He初始化](推荐/DeepFM.md#L164)
 - YoutubeNet
+    - [变长数据如何处理的](推荐/YoutubeNet.md#L164)
+    - [input是怎么构造的](推荐/YoutubeNet.md#L164)
+    - [最后一次点击实际如何处理的](推荐/YoutubeNet.md#L164)
+    - [output的是时候train和predict如何处理的](推荐/YoutubeNet.md#L164)
+    - [如何进行负采样的](推荐/YoutubeNet.md#L164)
+    - [item向量在softmax的时候你们怎么选择的](推荐/YoutubeNet.md#L164)
+    - [Example Age的理解](推荐/YoutubeNet.md#L164)
+    - [什么叫做不对称的共同浏览（asymmetric co-watch）问题](推荐/YoutubeNet.md#L164)
+    - [整个过程中有什么亮点？有哪些决定性的提升](推荐/YoutubeNet.md#L164)
 - Wide&Deep
 - MLR
 - Neural Network全家桶

推荐/DeepFM.md

@@ -0,0 +1,25 @@
+# DNN与DeepFM之间的区别?
+DNN是DeepFM中的一个部分，DeepFM多一次特征，多一个FM层的二次交叉特征
+
+# Wide&Deep与DeepFM之间的区别?
+DeepFM对Wide&Deep中的Wide层进行了优化，增加了交叉特征
+
+# 你在使用deepFM的时候是如何处理欠拟合和过拟合问题的？
+欠拟合：增加deep部分的层数，增加epoch的轮数，增加learning rate，增加正则化力度
+过拟合：在deep层直接增加dropout的率，减少epoch轮数，增加更多的数据，减少正则化力度，shuffle数据
+
+# DeepFM怎么优化的？
+- embedding向量可以通过FM初始化 
+- Deep层可以做优化
+    - NFM:把deep层的做NFM类型的处理，其实就是deep层在输入之前也做一个二阶特征的交叉处理和fm层一致
+- FM层可以变得交叉更多阶
+    - XDeepFM
+
+# 不定长文本数据如何输入deepFM？
+- 截断补齐
+- 结合文本id+文本长度，在做文本处理之前，先做不等长的sum_pooled的操作
+
+# deepfm的embedding初始化有什么值得注意的地方吗？
+- 常规的是Xavier，输出和输出可以保持正态分布且方差相近：np.random.rand(layer\[n-1],layer\[n])*np.sqrt(1/layer\[n-1])
+    - relu的情况下通常是HE，保证半数神经元失活的情况下对输出方差影响最小:：np.random.rand(layer\[n-1],layer\[n])*np.sqrt(2/layer\[n-1])
+- 文本项目上也可以用预训练好的特征

推荐/YouTubeNext.md

@@ -0,0 +1,44 @@
+# 变长数据如何处理的？
+- input数据中只拿了近20次的点击，部分用户是没有20次的历史行为的，所以我们记录了每一个用户实际点击的次数，在做embedding的时候，我们除以的是真实的history length
+    - 20次点击过去一周内的行为，曾经尝试扩大历史点击次数到40，60没有很明显的效果提升
+    - 点击行为是处理过的，一个session内只有一次点击的行为不会被记录
+    - 点击行为是处理过的，连续多次的重复点击会进行处理
+
+# input是怎么构造的
+- 最近历史20次点击商品id/文章id，如果不足不需要补充
+- 实际历史点击次数
+- 最后一次点击商品id/文章id
+- example age:商品/文章上线时长
+- user_info:age/gender/地理位置/注册时长
+- cross_info:最后一次点击距click时间，最后一次点击商品浏览次数
+- phone_info:设备信息，登录状态
+
+# 最后一次点击实际如何处理的？
+我们会以日进行切分，每日首次点击的lastclick会以\[unknow]进行替代，隔日的点击不会进行计算
+
+# output的是时候train和predict如何处理的
+- train的时候是进行负采样的
+- predict的时候是进行的all_embedding dot
+
+# 如何进行负采样的？
+- 该次点击时间之前所以的item或者article作为代选集
+- 负采样我们会进行剔除，把该次click下的同时show的样本进行剔除后采样
+- 均衡采样，不会根据其他样本show time进行加权
+    - 为了尽可能多的修正全量样本，尽快达到收敛
+    - 为了避免其他推荐产生的交叉影响
+
+# item向量在softmax的时候你们怎么选择的？
+是用初始化我们在进行history click embedding过程中使用的初始化的向量，没有在最后层重新构造一个item embedding的结果，实测效果翻倍的要好
+
+# Example Age的理解？
+实际使用的时候采取的是item上线时间-now的差值，article发表的时间-now的差值，并进行归一化。作用主要是为了平衡因为文章/商品的存量时间对当前选择的一个影响
+
+# 什么叫做不对称的共同浏览（asymmetric co-watch）问题？
+item对比nlp问题的时候，上下文信息更适用于文本等固定结果的探索问题（完形填空问题）；而在预测next one这种问题下，只通过上文进行预测，更加合适和合理。浏览信息大概率都是不对称的，而常规的i2i模型的假设都是对称的，上下文都可以用的
+
+# 整个过程中有什么亮点？有哪些决定性的提升？
+- 共享item embedding vector
+- 加入user feature和cross feature且对feature采取了归一化，归一化方式中均方法+log法对长尾数据有效的标准化了
+- 负样本的选取
+- attention所起到的作用并不是很明显，尝试了传统的DIN中的attention和传统的Transform中的attention，效果一般
+    - 这点其实违反直觉，可能原因是模型对负反馈没有很好的建模