迥异的脑洞

对 machine learning 和 deep learning ，不是一定公式越多越好，但是一个模型从头到尾讲完，一个公式都没有，我觉得还是有点问题的。

你发的是 word embedding ，不是 word2vec

word2vec 特指 mikolov 在 2011 年发的 paper 中用到的模型和工具。

具体来说，是 CBOW + SKIP-GRAM 两个模型， negative sampling + hierarchical softmax 两种训练方法组成的 word embedding 训练方法。

至于你在视频里说的“最后走一层 softmax ”，完全不可用， softmax 时间复杂度 O(#token)， token 有 90w 的情况下（ nlp 常见），根本训练不出来，这也正是 mikolov 使用 hierarchical softmax 训练的原因

还是那个建议，多学知识，别急着做些没有信息量的视频，搞个人 PR 。

@murmur
笑尿，用过还不懂真的就只是调包侠了。
人的标注从来就赶不上数据的增长速度，我们每天文章几万的进来，怎么搞人工标注？而且你说的问题，不正是人工标注太糙了，只能标注出东方，不能更细分出 vocal 和钢琴么，这是人工标注的天生弱势，很多推荐系统就是太粗了才让人觉得恶心。
所以 domain language 才更重要，音乐更需要分类器来对 genre 进行精确分类。

你所说的推荐系统的 bad case ，恰恰都是人工干涉太多，技术实力不够的结果。

你也不懂一个 1%的指标上涨对营收有多大影响，要是懂，也不会说出“能商用的一个分类器”这种说法。

而且刚搜了下，淘宝现在搜 cosplay 服装会出假发的。

@murmur 说的好像你真的在做推荐系统一样，不懂就不要误导新人。


@iot 推荐系统也是从机器学习学起， svd ， cf ， fm ， ffm 这些算法也都是机器学习算法，推荐系统比较多张量分解类的算法，所以线代要学好，概率是一定要学好的。

套路是这样的：《线代》《概率》 -- 《机器学习》--《推荐系统》

此外需要领域知识，做文本的推荐的话，需要 NLP 的知识，比如 word embedding 如何放进推荐系统做 feature ，比如 lda 的 keyword 如何放进推荐系统做 feature ，图像推荐的话需要 CV ，那些就很多很杂了， domain language 主要对 feature engineering 起作用。

你楼上说的关联规则，二十年前的做法，早就没人用了。

@a1310747 看三天两头崩溃知乎的代码质量和知乎的体量，你还觉得代码质量那么重要么？

越大的项目越需要 UML 的话，可以去 github 上统计一下那么多开源的大项目，究竟有多少在 repo 里面放了一个文件夹存 UML 图了，不是一目了然么。

我们学校的老师早就不让我们画 UML 了， UML 过时了，软件工程课程也是当做老古董讲一讲，都是搞敏捷开发 SCRUM 那一套。
包括小学期的课程实践也是这样。

你这个，让我想起来上次那个“妹子是搞 cuda 得，我过生日想送她一个显卡”，码农的心思，相映成趣