2018-03-14这一期信息量好大……作者回复: 慢慢享用，嚼碎了再吞。
18
2018-03-14谢谢刑无刀老师的分享。建议各种步骤和场景的工业化工具及其性能和便利，对我们读者提供了不小的价值。
1. 词嵌入里面提到学习到的包含更多语义信息的(新)词向量可以“用于聚类，会得到比使用词向量聚类更好的语义聚类效果”。这里的聚类是指文中之前提到的LDA等聚类模型来找出文章的主题吗？
2. “主题模型：从大量已有文本中学习主题向量，然后再预测新的文本在各个主题上的概率分布情况，也很实用，其实这也是一种聚类思想，主题向量也不是标签形式，也是用户画像的常用构成。”请问这里已有文中的主题向量中的主题词如果是通过LDA提取是不是需要有个停用词表排除那些所有文档中词频都很高的词？它不像TF-IDF会自动排除所有文档中词频高的词。 这种场景的聚类就是判别新的文本和哪些主题的文本比较相似（”距离“接近或主题”概率“较大），然后判别新的文本的主题？
3. ”向量中各个维度上的值大小代表了词包含各个语义的多少“ 有这句说明挺好的。我第一次阅读不太理解，后来查了一些文章，有一个解释我觉得比较直观，Word2Vec生成的向量值可以看成是N维语义空间(N个语义词)中的坐标值(每个坐标轴对应一个语义)。当2个词在同一个N维语义空间中的距离接近时，说明2个词的含义接近。展开作者回复: 你一定是个学霸，向你致敬。
1. 这里的聚类是指的传统数据挖掘中的聚类。基于距离或者密度等。如kmeans。
2. 停用词要去掉。lda在预测阶段也要迭代的，而不是计算相似度。
3. 你若理解了，就是晴天。 8
2018-03-15无刀老师，能否建立个微信群啊，大家可以对您每期的课程内容一起学习讨论作者回复: 知识星球(原来叫小密圈)搜ResysChina。
7
2018-03-14针对embedding，我不太理解，之前理解就是一种映射关系，但文里为什么说结果是稠密的，这是怎么保证的作者回复: 用Word2vec跑出一个结果你就明白了，设定k维的话，你会得到一个k维向量，每个维度上都有值的。
1 5- 2018-03-23老师，关于word2vec，有几个疑问
1 工业上如果通过word2vec得到文档的向量呢，是用累加一个文档中各个词的词向量得到的稠密向量表示吗
2 用于聚类，是用上面得到的文档向量来做吗
3 到底是如何通过计算词和词之间的相似度，扩充标签的呢作者回复: 1.是
2.是
3.用你文本中出现的词，去查询通过word2vec计算得到的相似词，从而实现了“扩展”，原来只有两个词，现在增加了几个相似词，变成了4个词。 1 3 
2019-07-01幸亏学过人工智能，不然这一章够我喝一壶了 2
2019-11-03这篇好干，得好好啃一下 1- 2019-05-31老师，TF—IDF中的Top K 排序，实际工作中超参数K值一般取多少？
作者回复: 看情况。
1 - 2019-02-11邢老师你好，我是初学者，第二部分把物品的结构化信息传递给用户这里，您把他看成是一个特征选取的问题。这里没太看懂，还望能够详细解释下。
假设用户A和我们给他展现的100个物品有了2类操作（消费10，没消费90）。我的理解是这边每个被消费的物品（10个）都有自己的特征向量（假设n维），我们的任务是找到这n维里面到底哪m维是用户真正关心的。这个理解对吗？然后如何选取到这m维，并把它们融合到用户自己原来的向量中又是如何具体实现的？
谢谢指点！作者回复: 文中有详细介绍。后续图书中有例子。
1 
2018-12-01我来补充林彦同学的第三点，”向量中各个维度上的值大小代表了词包含各个语义的多少“ 。第一遍看到这句话的时候我没有看懂，查阅资料后才明白。比如使用word embedding，一个单词“北京”，用5维向量“首都，中国，大城市，南方，没雾霾”来表示的话，他的向量形式就是[1, 1, 1, 0, 0]，各个维度的值的大小代表了词包含各个语义的多少。老师要是讲的再细致一点，给出示例就更好了作者回复: 谢谢你的建议，采纳到图书中。
1
2018-09-25我有一个比较困扰我的问题就是信息增益和WOE、IV之间的区别，我不明白为什么金融欺诈中选取重要性特征都用WOE和IV 方法，而其它领域很少看见用这两个方法进行筛选特征的，谢谢！ 1
2018-04-18老师您好，我是初学者，感觉学到很多，但还是有些疑问：请问用户画像如果是用户本身的特征（比如个性签名的文本向量化）+物品端的特征，那在做匹配计算相似度的时候，两者的向量维度岂不是不一样？ 1
2018-03-29真的好难啊，邢老师能多结合一下例子吗？方便理解😂😂😂 1- 2018-03-14上面提到的都是主流的推荐系统方法，例如电影，图书，新闻这些经典场景。
但对于特殊商品，例如房子，明显和上面不同，低频，高价，并且房子的特征基本都是分类特征，针对这种场景，如何选择特征，如何推荐了？作者回复: 这种场景下，用户也更有耐心一些，可以多向用户询问他的诉求，更像一个辅助决策系统，而不是一个纯粹的推荐系统。
1 
2019-12-12老师问一下，我本身是做新闻的
1、类别Cj是不是可以理解为点击和未点击
2、词Wi就是doc的特征或者关键词
3、点击中包含关键词的，属于正例，点击不包含关键词的是反例
没点击中不包含关键词的，属于正例，没点击包含关键词的是反例
4、整个过程是基于doc已有特征的有监督学习展开- 2019-11-20挺好的 了解了好多
作者回复: 谢谢。
- 2019-09-25感觉还是有一些地方理解不了，看了两三遍还是理解不了：
1. 上一节提到的用户画像，是这样用的：<i1,i2,i3...> 点积<u1,u2,u3...>，即用户向量和物品向量做点积，得分高的话说明适合推荐；
2. 这一节讲的，先分别对用户内容和物品内容做文本挖掘，得到物品向量后再对物品向量进行特征选择？（特征选择时需要用到用户的行为标签），我理解的特征选择，就是从物品向量里选择一部分和用户行为结果关联度高的特征，可是，这些特征怎么反映到用户侧呢？这里一直搞不懂，因为从物品里挖出来的重要特征，在用户侧向量里不一定有对应的那一项啊，没有对应的项就没办法进行第1步里的点积计算呀……还请明白人帮忙解答下，真的困扰好久啊~ 
2019-09-04看完这期课程第一遍的感觉就是😵，只能多刷几遍了
2019-07-17这一节都是自然语言处理的基本知识，幸好毕业是做的这块，不然够我喝一壶~😂- 2019-07-16老师您好，我想问一下，用户挑选画像标签看成是特征选择问题，选择的时候，比如使用卡方验证选择，对每一个用户的数据量有什么要求吗？