Felix的专栏 Keep your eyes open and your feet moving forward. You'll find what you need.

Neural Factorization Machines（NFM）是在2017年提出的用于求解CTR问题的算法模型，在Wide & Deep模型被提出后，相继出现了一些改进的算法模型，如DeepFM和DCN可以看成是对于Wide & Deep模型中Wide部分的改进，而此处的NFM模型则是可以看作是对Deep部分的改进。

DLRM（Deep Learning Recommendation Model）是Facebook在2019年提出的用于处理CTR问题的算法模型，与传统的CTR模型并没有太大的差别，文章本身更注重的是工业界对于深度模型的落地，在文中介绍了很多深度学习在实际落地过程中的细节，包括如何高效训练。

在DeepFM网络中，通过将Wide & Deep模型中的Wide侧模型替换成FM模型，实现自动的交叉特征选择，从而实现无需人工参与就可以通过模型进行端到端的学习，自动学习到各种层级的交叉特征。

Deep&Cross Network（DCN）是由Google于2017年提出的用于计算CTR问题的方法，是对Wide&Deep[2]模型的进一步改进。线性模型无法学习到特征的交叉属性，需要大量的人工特征工程的介入，深度网络对于交叉特征的学习有着天然的优势，在Wide&Deep模型中，Deep侧已经是一个DNN模型，而Wide侧是一个线性模型LR，无法有效的学习到交叉特征。

Google在2015年提出了人脸识别系统FaceNet，可以直接将人脸图像映射到欧式空间中，空间中的距离直接代表了人脸的相似度。

Deep Crossing是微软在2016年提出的用于计算CTR问题的深度神经网络模型，Deep Crossing的网络结构对传统的FNN（Feedforward Neural Network）网络结构做了一些优化，使得其能够更适合处理CTR问题。

PNN（Product-based Neural Network）是在2016年提出的用于计算CTR问题的深度神经网络模型，PNN的网络结构对传统的FNN（Feedforward Neural Network）网络结构做了一些优化，使得其能够更适合处理CTR问题。

Lambda架构是由Nathan Marz在2011年提出的一个实时大数据处理框架，用于处理大数据批量离线处理和实时数据处理的需求。

在Java的线上业务开发中，各种数据结构之间的转换是必备的技能。Java中数组和List之间的相互转换是常见的数据结构之间的转换，更一般的说是对字符串切分，并将其转换成List，List和String数组的相互转换整理如下。

LeetCode-两数之和

Wide & Deep模型综合了Wide侧的记忆能力和Deep侧的泛化能力

什么是语言模型？通俗的来讲是判断一句话是否符合人说话的模型，神经网络语言模型是在统计语言模型的基础上，通过神经网络模型对句子的概率分布建模的方法。

这种最后一个成员的长度不固定的写法称为柔性数组，也叫伸缩性数组，即变长数组。

谷歌在2016年发表的文章《Deep Neural Networks for YouTube Recommendations》成为行业内争相跟进的技术方案，其基本的算法思想也成为深度学习在推进系统领域的成功的范例。

explicit的中文含义是显示的，在C++中主要用于防止隐式转换的发生。