2018-03-30算法通过短文的方式理解较费劲，有参考书籍/开源代码推荐吗？ 24
2018-09-28看完之后不太明白，私下里找了两个讲解的比较清楚的博客，分享给看不明白的小伙伴：
https://www.cnblogs.com/gatherstars/p/6084696.html ROC曲线和AUC值
https://www.cnblogs.com/pinard/p/9128682.html 贝叶斯个性化排序 13
2018-06-06这句话 和公式不匹配。。。 但后者是自己人，所以组合数要排除，于是就有 n - M 种组合，以此类推，排序值为 rM 的就贡献了 rM - 1，把这些加起来就是分子。 6
2018-03-31谢谢陈老师的分享。我在手机端查看。请问AUC公式的“可以点击文稿查看”是指在电脑端可以点击，会打开参考文献的链接吗？
文中BPR pair wise在真实场景应用中优化的目标函数是(1)AUC值还是(2)先验概率与似然概率的乘积值？
似然概率值是在矩阵参数上一步的估计值/初始值确认后用文中提到的sigmoid函数计算出来的吗？
最后文中的延伸问题是指BPR算法如何应用于计算KNN的场景吗？手机端搜索和查阅自己不熟悉领域的文献慢些，之后有时间用电脑检索。展开 3
2019-07-01关于AUC不错的一种解释https://tracholar.github.io/machine-learning/2018/01/26/auc.html 1 2- 2018-04-06我看了好一会的Adaptive k-Nearest-Neighbor的英文公式，总算有点理解。也就是先用一个传统的距离算法计算每个用户曾经有过交互的物品中的相似度值或距离值，然后对于任意上述物品集合中的一对物品，仿照矩阵分解中sigmoid 函数的计算方法由相似度值或距离值的差值来推导Θ，在由Θ优化目标函数。
如果理解有误盼望老师能指出。
上次的问题我现在明白了。文稿查看是针对录音。目标函数是先验概率与似然概率的乘积，它与AUC值有相似性。似然概率值是用sigmoid函数计算出来，原文中相当于sigmoid函数值的连乘。展开作者回复: 你理解是正确的。赞你的认真态度！
1 2 
2018-09-30AUC公式分子讲解的不太清楚，看不懂文字跟公式间的联系。 1
2018-04-20老师，请问对于音频推荐来说，排序负样本如何构建？只有点击日志没有曝光日志 1
2019-12-05老师，近邻模型做排序的话，可不可以直接通过相似度排序，然后排除买过的物品就可以呢？
感觉每一部分都能勉强看懂，但还是前后串不起来。
希望能多提供一些例子，或者能提供一些代码。- 2019-07-15有一个问题是BPR的优化算法为什么需要结合重复采样呢，文章中写道后面还是使用随机梯度下降法，也就是随机采样一个样本，那前面做的从全量样本中做有放回的采样不就多此一举吗，请老师指点谢谢！
2018-10-27auc计算的时候只选正样本？作者回复: 正负样本一起。
2018-04-13老师想问下数据少的话，到底能做推荐系统不？
2018-04-10如果仅是top 1推荐，而且既有点击数据又有曝光未点击数据，是否还有必要用pair-wise算法？
2018-03-30学到的是相对排序 跟全局排序还是有些不太一样