ctr

Windows下交换CapsLock和左ctrl HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\Keyboard Layout中添加Scancode Map二进制项，内容为 0000 00 00 00 00 00 00 00 00 0008 03 00 00 00 1D 00 3A 00 0010 3A 00 1D 00 00 00 00 00 注销或者重启一下就能看到效果了 来源地址： https://blog.csdn.net/bnanoou/article/details/51187673 来源： https://www.cnblogs.com/zhzhlong/p/12011156.html

做网络营销的人，我们要知道以下常见名词解释： CPC (Cost Per Click): 按点击计费 CPA (Cost Per Action): 按成果数计费 CPM (Cost Per Mille): 按千次展现计费 CVR (Click Value Rate): 转化率，衡量CPA广告效果的指标 （点击/下单） CTR (Click Through Rate): 点击率 （点击/曝光(展现)-> 曝光区别于请求，请求不一定会有曝光） PV (Page View): 流量 ADPV (Advertisement Page View): 载有广告的pageview流量 ADimp (ADimpression): 单个广告的展示次数 PV单价: 每PV的收入，衡量页面流量变现能力的指标 RPS (Revenue Per Search): 每搜索产生的收入，衡量搜索结果变现能力指标 　 ROI： 投资回报率（ROI）是指通过投资而应返回的价值，它涵盖了企业的获利目标。利润和投入的经营所必备的财产相关，因为管理人员必须通过投资和现有财产获得利润。又称会计收益率、投资利润率。 来源： oschina 链接： https://my.oschina.net/u/1439326/blog/541400

在程序化广告投放中，一个优秀的CTR预测算法会给广告主、Adx以及用户都将带来好处。Google公司2013在《ResearchGate》上发表了一篇“Ad click prediction: a view from the trenches”论文，这篇论文是基于FTRL的在线CTR预测算法，下面将讲解该算法的主要思想以及Java实现。 什么是Online Learning 传统的 批量算法 的每次迭代是对全体训练数据集进行计算（例如计算全局梯度），优点是精度和收敛还可以，缺点是无法有效处理大数据集（此时全局梯度计算代价太大），且没法应用于数据流做在线学习。而 在线学习算法 的特点是：每来一个训练样本，就用该样本产生的loss和梯度对模型迭代一次，一个一个数据地进行训练，因此可以处理大数据量训练和在线训练。准确地说，Online Learning并不是一种模型，而是一种模型的训练方法，Online Learning能够根据线上反馈数据，实时快速地进行模型调整，使得模型及时反映线上的变化，提高线上预测的准确率。Online Learning的流程包括：将模型的预测结果展现给用户，然后收集用户的反馈数据，再用来训练模型，形成闭环的系统。如下图所示： 这篇论文提出的基于FTRL的在线CTR预测算法，就是一种Online Learning算法。即，针对每一个训练样本

1. 概述 　　广告CTR预估过程中，正负样本比例差距较大，需要采样，但是采用后模型训练的结果是有偏的。 2. 校准方式 　　 　　用逻辑回归作为激活函数 　　 其中 是未进行负采样时正样本的比例， 是进行负采样后的正样本的比例。 3. 参考博客 　　https://zhuanlan.zhihu.com/p/35580375 　　http://vividfree.github.io/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2015/12/15/model-calibration-for-logistic-regression-in-rare-events-data 来源： https://www.cnblogs.com/LuckPsyduck/p/12001561.html

*. 打开文件四种方式 ctr+0 （* 双击） 点击菜单 拖进来 . Z ：（框选方法） zoom 选项栏上去除 细微缩放（出现蚂蚁线） 放大方便抠图 . 空格： 拖动 crt+0 ：全屏显示（充满整个屏幕） 变形的时候很有用 ctr+T *. crt+1: 原图显示 *. （ctr++)/(ctr+-）：放大 /缩小 *. ctr+D：取消选择选区 . ctr+T :自由变换 shif +ctr+T 同等比例 ctr+z 还原 退多步： ctr+alt +z 画笔大小 左右中括号 alt+delete （前景色） ctr+dlete(背景） 前景色：前景色是插入，绘制的图形图片的颜色 。背景色是所要处理的图片的底色，默认的是白色。 photoshop工具箱中前景色用来绘画'填充和描边选区,也可用alt+backspace或者alt+delete快捷键填充。 在photoshop中，前景色和背景色是可以互换的，快捷键是“x”，前景色默认是黑色，背景色默认是白色，快捷键“D”可以恢复默认的前景色和背景色。 来源： oschina 链接： https://my.oschina.net/u/2889389/blog/757384

ctrl+f：当前页面查询 ctr+n：查询类名 ctr+shift+n：查询文件名 alt+insert：生成set、get、try、catch等 ctrl+鼠标左键点击：进入被点击的类中 来源： https://www.cnblogs.com/JimShi/p/11959567.html

　　看了半年论文，第一次上手实践CTR任务。研一上半年比较忙，初学姑且调用一下现成的deepfm做一些实践上的尝试。 　　今天第一天，整理数据集，数据集一共五个文件，包含app信息、用户信息、训练集、测试集、输出格式样本。首先拿到数据先分析特征，做一些特征工程。思路大致如下： 　　需要 one hot 编码的部分： 　　Train.txt: 用户的设备 id ，用户的注册 id, 视频 id ，视频推荐位置 ,app 版本 , 网络类型，操作系统版本，设备版本，设备厂商 　　App.txt: 用户拥有的 app 　　User.txt:用户画像（tag+outtag），用户等级，劣质用户，性别 　　Filed: 　　用户 : 用户的设备 id ，用户的注册 id, 用户拥有 app, 用户画像（ tag+outtag ） , 用户等级，劣质用户，好友分，个人分，性别 　　设备 : 操作系统版本，设备版本，设备厂商 　　网络 : 网络类型 　　App:app 版本 　　视频 : 视频 id 、视频推荐位置 　　经度 　　纬度 　　时间 : 点击时间戳、曝光时间戳（多维特征衍生） 　　对于时间部分这个数据集还有很多组合特征可以挖掘，一天先想了这么多。 来源： https://www.cnblogs.com/cd4everyoung/p/11900952.html

在安装Ubuntu时，如果默认选择了中文，那么以后进去到虚拟终端就会出现菱形的中文乱码。 其实这个是无解的，但是可以通过以下技巧去实现： 1、把系统转成英文的 sudo gedit /etc/default/locale 将内容改为： LANG=”en_US.UTF-8 ″ LANGUAGE =”en_US :en ” 再运行 sudo locale-gen 然后重启，会提示是否将文件夹改成英文的，此时选择“Update...”即可。 2、安装zhcon软件包 sudo apt-get install zhcon 它其实就相当于一个Ubuntu的UC-DOS程序，是一个汉字外挂。既然是外挂就必然要占用一定的系统资源，根据实际需求可选用该方法。 3、其实没必要纠结这个问题 既然是桌面版本的Ubuntu，主要是用于开发，中文就行了，至于乱码问题，又不是服务器，服务器都基本装英文的。 参考： http://tonychiu.blog.51cto.com/656605/393131 ==>如有问题，请联系我：easonjim#163.com，或者下方发表评论。<== 来源： CSDN 作者： weixin_34367845 链接： https://blog.csdn.net/weixin_34367845/article/details/89729081

Sublime下载地址： http://www.sublimetextcn.com/ Sublime 注册码破解： http://blog.sina.com.cn/s/blog_68e267e10102v76h.html Sublime的快捷键： !+Tab键 创建完整的html格式 Ctr+S 保存文档 Ctr+N 创建文档 来源： https://www.cnblogs.com/yang12311/p/11853272.html

背景 假设现在有个商品点击预测的任务，有用户端特征性别、年龄、消费力等，商品侧特征价格、销量等，样本为0或者1，现在对特征进行one hot encode，如性别特征用二维表示，男为[1,0]，女为[0,1]，其他特征相同处理后拼接起来一共有n维，n是所有特征的类别数之和。 Logistic Regression(LR)与二阶 线性模型，y = sigmoid(w, x)，w有n维，优点是简单易解释，缺点是太简单，无法挖掘特征组合的情况，如男性+游戏类商品可能是个很强特征。为了弥补这个缺点往往需要人工特征组合，如 手工组合特征 f = 性别是否男 & 商品是否为游戏类，这很依赖人工经验。于是就有了暴力的方法，枚举所有的两两特征的组合（线性二阶多项式），训练参数最大有 n * n个，但是性别男和性别女（相同性别field内）是无法组合的，真实值没这么大。假设与n个特征，m个field，相同field 内部无法组合，则训练参数为0.5 * (n * n - (n/m * n/m) * m ) FM(Factorization Machines) 上面的LR线性二阶多项式参数空间是一个 n * n 的矩阵，过于庞大，可以用两个矩阵相乘得到，这两个矩阵的的维度是 n * k 和 k * n，那么参数空间就是 2 * n * k，k是人为设置的参数，大小可以调节，如果k远远小于n