C++
{
⭐⭐常见变量: fileName / workspaceDir等问题;
1. ${workspaceFolder}表示的是当前打开文件夹所在的路径，也就是咱第一次从外边打开进来的文件夹；
2.${fileDirname}表示当前打开文件所在的路径不包括文件名；
3. ${fileBasenameNoExtension}表示当前打开的文件名，不包括路径；
⭐⭐VSCode 如何编写运行 C、C++ 程序？ - 谭九鼎的回答 - 知乎： https://www.zhihu.com/question/30315894/answer/154979413 ⭐⭐几乎可以当作问题大全查看;⭐⭐
⭐： VSCode实现C++多文件编译:
1. ⭐⭐命令行⭐⭐: https://blog.csdn.net/qq_34801642/article/details/103770219?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf
2. ⭐基于MinGW: https://blog.csdn.net/u012030174/article/details/107791407?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf
2.1 单纯修改tasks.json中的参数; VS Code：编译运行根目录下不同文件夹中的文件： https://blog.csdn.net/qq_34801642/article/details/106419763
3. ⭐⭐使用CMake⭐⭐: https://blog.csdn.net/frostime/article/details/86756983?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.add_param_isCf
⭐其他：
快捷键整理: Ctrl+Shift+B单纯编译，按F5为编译加调试
整理:
1. Visual Studio Code (vscode) 配置C、C++环境/编写运行C、C++(主要Windows、简要Linux): https://blog.csdn.net/bat67/article/details/76095813?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.add_param_isCf
2. windows 10上使用vscode编译运行和调试C/C++: https://zhuanlan.zhihu.com/p/77645306
3. GDB进行调试时候文件路径不能有中文; 不会识别; https://blog.csdn.net/neve_give_up_dan/article/details/105471278?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf
4. 视频教程: https://www.bilibili.com/video/BV14f4y127BC?from=search&seid=3260620193597550876 也是很多回答;
5. 知乎-多文件编写也建议看看: VSCode配置C/C++学习环境（小白向）: https://www.zhihu.com/people/zhang_tao0906;
}
LTR学习
{
LTR:
[
1. 三种方法思想、原理、比较(三大类方法主要区别在于损失函数); 开源代码的学习整理, 例如: RankNet
2. 常见的评价方式;
]
LTR参考:
[ 相关性排序: pointwise/pairwise/listwise 重要性排序: pagerank/TrustRank
0. ⭐机器学习排序之Learning to Rank简单介绍： https://blog.csdn.net/Eastmount/article/details/42367515?utm_medium=distribute.pc_relevant_download.none-task-blog-baidujs-2.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-baidujs-2.nonecase
⭐1. 信息检索中的排序： https://www.cnblogs.com/bytedance/p/9286387.html
⭐1. Learning to rank 基本算法小结: https://www.6aiq.com/article/1576078092816
1.1 ltr基本方法;
1.2 评价指标
1.3 LambdaMART 模型原理
1.4 FTRL 模型原理
⭐最详细介绍三种方法优劣: 2. Learning to Rank：pointwise, pairwise, listwise 总结: https://www.cnblogs.com/shona/p/11989041.html
3. learning to rank 简介: https://www.cnblogs.com/cx2016/p/13252960.html
4. https://arxiv.org/pdf/2005.14713.pdf SIGIR20最佳论文：通往公平、公正的Learning to Rank: https://blog.csdn.net/abcdefg90876/article/details/108413884
5. Learning to Rank 简介: https://www.cnblogs.com/kemaswill/archive/2013/06/01/3109497.html
6. [Search Engines笔记]17: Authority metrics: https://blog.csdn.net/cos2cot/article/details/78859218
7. ltr git-hub 综述: https://github.com/frutik/awesome-search#learning-to-rank
8. 排序学习调研: 详细介绍2018年12月之前的模型,可供文章笔记: http://xtf615.com/2018/12/25/learning-to-rank/
9. Learning to Rank学习笔记--基于query的排序: https://zhuanlan.zhihu.com/p/69246361
]
LTR进一步阅读:
[
1. 2019-01-17 大众点评搜索基于知识图谱的深度学习排序实践: https://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651750220&idx=1&sn=42df36757a7007808c56b53ee6832713&chksm=bd12a6018a652f17de2f66e28ba203bde1e8ae22155687fd3abe73b0336900a855c057e6ad38&mpshare=1&scene=1&srcid=0117dRsxGP0zSDCmQ4pTmBDF&pass_ticket=yoIK672aXk4WPiJRK3zkCxK5C5wwnua1%2B%2F115s%2FKJyXjdHQlvctIkGZpDsP%2FPVPZ#rd
⭐知乎-搜狗算法工程师三部曲:
1. Learning To Rank 研究与应用: 基础LTR算法(2017年) https://zhuanlan.zhihu.com/p/26221188
2. 排序学习(LTR)杂谈 (上): 1) LTR概念、LTR评价、2)常见LTR算法、3)LTR数据处理 https://zhuanlan.zhihu.com/p/138436325
3. 排序学习(LTR)杂谈(下): 4)后 LTR 时代 5)LTR开源实现
3.1 推荐的几个大佬: Qingyao Ai： http://ir.aiqingyao.org/research
Thorsten Joachims： https://www.aminer.cn/profile/thorsten-joachims/53f48dd5dabfaea88977b59d
Jiafeng Guo(郭嘉丰) https://www.aminer.cn/profile/jiafeng-guo/53f438d4dabfaee0d9b7bb26
⭐知乎-机智的叉烧|OPPO搜索算法工程师: 主要做 query理解, 半年经验，未做rank
1. ACL2020 | 线上搜索结果大幅提升！亚马逊提出对抗式query-doc相关性模型 知乎笔记: https://zhuanlan.zhihu.com/p/144911605
2. 浅谈文本增强技术： https://www.zhihu.com/people/ceng-guan-rong-72/posts
3. 个性化搜索&推荐-有关用户理解的思考： https://zhuanlan.zhihu.com/p/262167155
4. 用户画像初探: https://zhuanlan.zhihu.com/p/261957299
5. 搜索系统中的召回: https://zhuanlan.zhihu.com/p/102428847
6. 搜索中的纠错问题初探: https://zhuanlan.zhihu.com/p/111788847
7. 浅谈Query理解和分析: https://zhuanlan.zhihu.com/p/136313695
8. 搜索中的意图识别： https://zhuanlan.zhihu.com/p/261367997
9. 搜索领域算法需要掌握的知识： https://zhuanlan.zhihu.com/p/261697891
10. 搜索系统中涉及的算法问题(常见算法)： https://zhuanlan.zhihu.com/p/95921738
11. 浅谈模型的局限性： https://zhuanlan.zhihu.com/p/108678940
12. bad case分析： https://zhuanlan.zhihu.com/p/108680134
13. NER系列: 1)2018年的一篇NER综述笔记 https://zhuanlan.zhihu.com/p/133532858 2) ner自动化打标方法 https://zhuanlan.zhihu.com/p/133532494 3)近期做NER的反思:https://zhuanlan.zhihu.com/p/125676493
14. 算法工程师的工程能力是什么意思: https://zhuanlan.zhihu.com/p/86493797
14.1 数据的操作能力: 1) 数据处理格式化; SQL; 2) 找到算法空间、时间复杂度低的方法，让程序更加高效的运行;
14.2 模型的设计和开发能力: 1)设计: 针对实际情况选择/设计合适的模型算法来解决问题; 2) 模型发布让用户使用, 打包、上线，前端、应用端的帮助。 服务。
14.3 项目的部署和监控:1) 对于模型，是否有不可容忍的bad case。 2)上线流程是都规范，如果是大项目，你的模块的更新是否会对有关模块产生影响。 3)AB实验，实验的目标、内容以及检测的内容。 4)检测模型线上是不是有问题;
5) 线上有问题, 是否有马上可以回滚的方案; 6) 埋点:一方面确认程序正常运行， 另一方面记录必要的数据。
2. 文本语义特征在图片搜索中的实践： https://zhuanlan.zhihu.com/p/84812565
3.搜索排序—概述(7篇文章)： https://zhuanlan.zhihu.com/p/93196423
2019年之前的 Deep Match 模型： 1）⭐辛俊波的博文《搜索中的深度匹配模型》 https://zhuanlan.zhihu.com/p/113244063
2）《搜索中的深度匹配模型（下）》https://zhuanlan.zhihu.com/p/118183738
3）《文本匹配相关方向打卡点总结》-夕小瑶 https://zhuanlan.zhihu.com/p/87384188
⭐sigir2019-LTR-tutorial PPT链接地址: http://ltr-tutorial-sigir19.isti.cnr.it/slides/ 搭配中文理解: 排序学习(LTR)杂谈 (下) https://zhuanlan.zhihu.com/p/138436960
4. (2020-04)Transformer 在美团搜索排序中的实践: https://tech.meituan.com/2020/04/16/transformer-in-meituan.html
5. （2020-03）美团-WSDM Cup 2020检索排序评测任务第一名经验总结(多模融合排序检索)： https://tech.meituan.com/2020/03/26/wsdm-2020-bert-lightgbm.html
6. (2019-01)大众点评搜索基于知识图谱的深度学习排序实践: https://tech.meituan.com/2019/01/17/dianping-search-deeplearning.html
7. 全面理解搜索Query：当你在搜索引擎中敲下回车后，发生了什么？ https://zhuanlan.zhihu.com/p/112719984
8. 漫谈搜索引擎 https://zhuanlan.zhihu.com/p/99624706
]
LTR论文整理:
Data Mining：
A类: KDD
B类: WWW、WSDM、CIKM、ICDM
Information Retrieval：
A类：SIGIR、WWW
B类：WSDM、CIKM
LTR综述整理: Learning To Rank (LTR) https://github.com/marevol/learning-to-rank
sigir-2020: http://www.sigir.org/sigir2020/accepted-papers/
kdd-2020: https://dlp-kdd.github.io/accept.html
wsdm-2020 http://www.wsdm-conference.org/2020/accepted-papers.php
CIKM-2020: https://www.cikm2020.org/accepted-papers/accepted-research-papers/
[
1. (2019-02-27 字节跳动)Unbiased LambdaMART: An Unbiased Pairwise Learning-to-Rank Algorithm arXiv: https://arxiv.org/pdf/1809.05818.pdf 开源代码: https://github.com/QingyaoAi/Unbiased-Learning-to-Rank-with-Unbiased-Propensity-Estimation
2. (2020-09-10) Time-Aware Evidence Ranking for Fact-Checking arXiv: https://arxiv.org/pdf/2009.06402.pdf
3. (2019-03-16 综述IR中的Rank)A Deep Look into Neural Ranking Models for Information Retrieval arXiv： https://arxiv.org/abs/1903.06902
4.(cikm2020) Analysis of Multivariate Scoring Functions for Automatic Unbiased Learning to Rank arXiv:https://arxiv.org/abs/2008.09061
5. QingyaoAi/CS4960-6550：信息检索课程---https://github.com/QingyaoAi/CS4960-6550/blob/master/index.md
6. SIGIR20最佳论文：通往公平、公正的Learning to Rank: https://blog.csdn.net/abcdefg90876/article/details/108413884 知乎笔记：https://zhuanlan.zhihu.com/p/214242589 arXiv:https://arxiv.org/pdf/2005.14713.pdf 笔记: https://baijiahao.baidu.com/s?id=1673843893232232656&wfr=spider&for=pc
7. (2018-03-16)Unbiased Learning to Rank with Unbiased Propensity Estimation https://arxiv.org/abs/1804.05938?context=cs 开源
⭐sigir2019-LTR-tutorial PPT链接地址: http://ltr-tutorial-sigir19.isti.cnr.it/slides/ 搭配中文理解: 排序学习(LTR)杂谈 (下) https://zhuanlan.zhihu.com/p/138436960
8. Fair Learning-to-Rank from Implicit Feedback https://arxiv.org/abs/1911.08054
9. A General Framework for Counterfactual Learning-to-Rank https://arxiv.org/abs/1805.00065
10. Unbiased Learning to Rank: Online or Offline? https://www.aminer.cn/pub/5ea9504391e0118eb1e1a072/unbiased-learning-to-rank-online-or-offline
11. Consistent Position Bias Estimation without Online Interventions for Learning-to-Rank： https://arxiv.org/abs/1806.03555
12. Policy Learning for Fairness in Ranking https://arxiv.org/abs/1902.04056 开源代码： https://github.com/ashudeep/Fair-PGRank
13. ULTRA: ULTR的官方文档,封装了常见的算法.
13.1 Github地址: https://github.com/ULTR-Community/ULTRA
1.3.2 官方文档: https://ultr-community.github.io/ULTRA/ranking_model_reference.html
14. 从KDD 2018 Best Paper看Airbnb实时搜索排序中的Embedding技巧: https://zhuanlan.zhihu.com/p/55149901 原文章地址:https://dl.acm.org/doi/pdf/10.1145/3219819.3219885
15. When Inverse Propensity Scoring does not Work: Affine Corrections for Unbiased Learning to Rank https://arxiv.org/abs/2008.10242 代码地址: https://github.com/AliVard/ trust-bias-CIKM2020
16. Context-Aware Learning to Rank with Self-Attention https://arxiv.org/abs/2005.10084 代码: https://github.com/allegro/allRank
17. (CIKM-2018)Differentiable Unbiased Online Learning to Rank 代码: https://github.com/HarrieO/OnlineLearningToRank
⭐SIGIR-2020 Ranking相关:
1. Ranking-Incentivized Quality Preserving Content Modification https://arxiv.org/abs/2005.12989 代码实现: https://github.com/asrcompetition/content_modification_dataset
2. A Deep Recurrent Survival Model for Unbiased Ranking https://arxiv.org/abs/2004.14714 代码实现： https://github.com/Jinjiarui/DRSR
3. rank性能提升: Efficient Document Re-Ranking for Transformers by Precomputing Term Representations https://arxiv.org/abs/2004.14255 代码: https://github.com/Georgetown-IR-Lab/prettr-neural-ir
4. Fair Learning-to-Rank from Implicit Feedback https://arxiv.org/abs/1911.08054
5. Policy-Aware Unbiased Learning to Rank for Top-k Rankings https://arxiv.org/abs/2005.09035 代码实现: https://github.com/HarrieO/2020topkunbiasedltr
6. SetRank: Learning a Permutation-Invariant Ranking Model for Information Retrieval https://arxiv.org/abs/1912.05891 代码实现: https://github.com/pl8787/SetRank
7. Answer Ranking for Product-Related Questions via Multiple Semantic Relations Modeling https://arxiv.org/abs/2006.15599
8. Choppy: Cut Transformer For Ranked List Truncation Choppy: Cut Transformer For Ranked List Truncation
9. Sampling Bias Due to Near-Duplicates in Learning to Rank https://webis.de/downloads/publications/papers/webis_2020d.pdf 代码: (JAVA)https://github.com/webis-de/sigir20-sampling-bias-due-to-near-duplicates-in-learning-to-rank
10. Query-level Early Exit for Additive Learning-to-Rank Ensembles https://arxiv.org/abs/2004.14641
11. Contextual Re-Ranking with Behavior Aware Transformers http://ciir-publications.cs.umass.edu/getpdf.php?id=1383
12. Reputation (In)dependence in Ranking Systems: Demographics Influence Over Output Disparities https://arxiv.org/abs/2005.12371
13. Do Neural Ranking Models Intensify Gender Bias? https://arxiv.org/abs/2005.00372
14. The Curious Case of IR Explainability: Explaining Document Scores within and across Ranking Models (未) https://dl.acm.org/doi/abs/10.1145/3397271.3401286
15. Multi-grouping robust fair ranking https://dl.acm.org/doi/abs/10.1145/3397271.3401292
16. Cascade Model-based Propensity Estimation for Counterfactual Learning to Rank https://arxiv.org/abs/2005.11938
17. 数据集 Studying Ranking-Incentivized Web Dynamics： https://arxiv.org/abs/2005.13810
18. L2R2: Leveraging Ranking for Abductive Reasoning https://arxiv.org/abs/2005.11223 代码: https://github.com/zycdev/L2R2
19. Feature Transformation for Neural Ranking Models https://dl.acm.org/doi/pdf/10.1145/3397271.3401333
20. demo-paper User Modeling Towards Stateful Learning to Rank: https://dl.acm.org/doi/abs/10.1145/3397271.3401455
⭐KDD-2020 Ranking 相关:
1. Ranking with Deep Multi-Objective Learning https://dlp-kdd.github.io/assets/pdf/a5-cao.pdf
2. (Best Paper Award) COLD: Towards the Next Generation of Pre-Ranking System https://dlp-kdd.github.io/assets/pdf/a13-wang.pdf
3. (Best Paper Runner-Up) Learning-To-Rank with Context-Aware Position Debiasing: https://dlp-kdd.github.io/assets/pdf/a18-xiao.pdf
⭐wsdm2020 web search/ ranking相关:
1. (清华)A Context-Aware Click Model for Web Search http://www.thuir.cn/group/~YQLiu/publications/wsdm2020Chen.pdf
2. (谷歌)A Stochastic Treatment of Learning to Rank Scoring Functions
3. Comparative Web Search Questions
4. Listwise Learning to Rank by Exploring Unique Ratings https://arxiv.org/abs/2001.01828 代码: https://github.com/XiaofengZhu/uRank_uMart
5. (谷歌)Unbiased Learning to Rank via Propensity Ratio Scoring https://arxiv.org/pdf/2005.08480.pdf
6. (人大-个性化搜索)Enhancing Re-finding Behavior with External Memories for Personalized Search
7. (google)Parameter Tuning in Personal Search Systems https://storage.googleapis.com/pub-tools-public-publication-data/pdf/7942b414d269cbdb5308cc8a12c7e4e1f06beca4.pdf
]
LTR算法-Github:
[
1. python实现几个常见LTR算法: RankNet: https://github.com/shiba24/learning2rank
2. python实现： https://github.com/jma127/pyltr
3. ULTR-Community/ULTRA https://github.com/ULTR-Community/ULTRA
4. 开源框架整理: https://wildltr.github.io/ptranking/
4.1 基于pytorch/python： PT-Ranking: A Benchmarking Platform for Neural Learning-to-Rank arXiv:https://arxiv.org/abs/2008.13368 开源代码: https://github.com/wildltr/ptranking 说明文档: https://wildltr.github.io/ptranking/
4.2 基于TensorFlow/python: TF-Ranking: https://github.com/tensorflow/ranking
4.3 基于JAVA: Rank Lib: http://www.lemurproject.org/ranklib.php
5. ⭐⭐利用lightgbm做 learning to rank 排序：1) 数据预处理; 2)模型训练; 3)模型决策可视化; 4) 预测; 5) NCDG评估; 6)特征重要度分析; https://github.com/jiangnanboy/learning_to_rank
6. ⭐⭐⭐： 一个合格的搜索算法工程师应该具备哪些能力？ https://www.zhihu.com/question/381003357
6.1 1) query理解: NLU--分词、新词发现、词权重计算、核心词识别、改写、同义词、紧密度分析、意图识别、纠错
2) 召回(粗排): 相关性计算:TFIDF,BM25等;
3) ranking(精排): LTR, 权威性、时效性、点击率预测； 语义匹配、点击调权等, DSSM, DBN等常规的算法
4) 排索引构建、网页搜索中的爬虫、网页分析、摘要计算;
5) 搜索算法工程师是对经验要求特别高的一个岗位,上述熟悉一个就很不错了;
6) 检索多需求、SEO作弊、以及架构工程角度
6.2 1) NLP基础: 语言模型、n-gram、语法词法分析、NER、分类、word-embedding；
2）大数据、pipline基础: 数据库知识、中间件知识、数据系统、分布式系统； hadooop、流处理架构 lambda architecture、 hdfs、hive、spark
3）相关性、重要性；
4） 工具比如xapian，solr、elasticsearch等等也可以参考学习，可以看看架构；
5）C++pythonshellgitlinuxvim
6) 爬虫、网页分析、pagerank、index(正排、倒排)、
ranker(搜索公司的商业机密)，公司: embedding + 大规模网络 + parameter server 做训练，主要还是特征非常复杂动辄几百万维稀疏特征，分布式那些问题又搞出来，ctr啥的放进去再调权，有时候还要接入广告这些。
当然这部分还有专门的组做黄色反动/页面质量/权威性等等部分，一起扔到ranker模型里面。这地方真得是flink(流处理)/kafka(消息队列)写的溜算法又nb的人才行
7) query processor: 预处理/切词/改写/纠错/重要性/紧密度/双发/个性化/语法树构建
6.3 从用户输入到最后返回结果整个链条其实有点长，大致可以分为：Query suggestion，Query理解，文档召回，个性化排序，相关搜索词推荐等，
query理解流程 1) 预处理，无效字符表情什么的直接丢掉了，截取前n个字等
2) 纠错，包括错误检测和自动纠错，目前的方法有：噪声信道模型、序列标注模型、seq2seq模型
3) 分词&词性标注，这个一般都是现成的分词工具+用户词典来做了
4) 词权重计算，计算每个词的重要性，一般会根据用户的点击日志离线算好
5) 同义词
6) 意图分析，为了意图可以扩充，所以一般做成很多个二分类任务，方法比较多，最常见的还是CNN，也有BERT蒸馏到CNN的
7) 实体识别，识别搜索词中的实体词，一般也是序列标注模型BILSTM+CRF，或者BERT蒸馏到BILSTM
8) 丢词，因为目前的搜索引擎更多的是还是以文本匹配的方式进行文档召回，所以如果query中有一些语义不重要的词，那就会丢弃了，并且往往会有多次丢词，比如：北京著名的温泉，在进行召回的时候，会先丢弃“的”字，以“北京、著名、温泉”三个词去和文档集求交集，如果没有好的结果，这三个词会继续丢词，以“北京、温泉”和文档集求交集，这里一般也是用序列标注来做
9) Query改写，其实丢词&纠错也都算改写的一种，不过这里的改写是指找到原始Query的一些等价或者近似Query，规则的方法比较多，也有用seq2seq的
6.4 字节搜索工程师: 1) 一是基础知识
2) 二是算法的灵活运用能力: 这就对搜索算法提出了新的要求，灵活运用跨方向的知识并不容易，需要平时广泛涉猎积累，当然我有不少同事之前是做其他方向的，自带其他维度的奇怪知识...
3) 如何理解机器学习和统计中的AUC？: https://www.zhihu.com/people/carlisle/answers
7. (2013年,整理很多数据集)Lerot: an Online Learning to Rank Framework： https://github.com/redreamality/learning-to-rank
8. (2018)lambdamart / lambdarank / evaluating 的实现: https://github.com/sophwats/learning-to-rank
9. ⭐深度学习排序艺术(聚焦深度学习在互联网搜索推荐广告的排序算法)-知乎专栏: https://zhuanlan.zhihu.com/c_1288235772122718208
9.1 CIKM 2020 搜索推荐广告论文集锦： https://zhuanlan.zhihu.com/p/267916397 CIKM-2020 召回、排序等等几个方向的文章
9.2 Airbnb搜索：深度学习排序算法如何进化？ https://zhuanlan.zhihu.com/p/238095817 讲了airbnb分别近几年的 深度学习+排序算法的进化路程;
9.3 Airbnb搜索：Embedding表示学习: https://zhuanlan.zhihu.com/p/240252162 Airbnb KDD 2018： 搜索推荐中怎样更好的学习embedding,如何应用到搜索推荐。
9.3 Airbnb搜索：重排序阶段如何优化搜索结果多样性？ https://zhuanlan.zhihu.com/p/239824669 Airbnb KDD 2020: Airbnb 搜索排序中在重排序阶段如何解决 结果多样性的问题。
10. 深度学习做 搜索-推荐-广告 文章: Awesome-Deep-Learning-Papers-for-Search-Recommendation-Advertising https://github.com/guyulongcs/Awesome-Deep-Learning-Papers-for-Search-Recommendation-Advertising
]
百度:
[
search_science 主页: http://searchscience.baidu.com/index.html
dawei yin主页: https://www.yindawei.com/
王帅强主页: http://wangshuaiqiang.net/ dbpl：https://dblp.org/pid/16/1524.html
]
书籍:
[
1. 王喆老师的深度学习推荐系统: 王老师推荐过一篇youtube的推荐的论文和airbnb的论文非常有借鉴价值。书写的也非常好，我司的搜索和推荐共享架构看王老师的书对做搜索也非常有价值。
2. 信息检索导论
]
一些其他基础:
字节算法工程师: 算法工程师技术路线图-知乎链接: https://zhuanlan.zhihu.com/p/192633890
1. python：
1.1 学习掌握Python的基本语法： 《Learn Python the Hard Way》 自我考核：能够读懂大多数的内部项目及一些开源项目代码的基本模块，例如pandas, sklearn等。
1.2 学习Python的编程风格，建议学习： 观远内部的Python代码规范 自我考核：编写的代码符合编码规范，能够通过各类lint检查。
1.3 Python进阶，这方面有一本非常著名的书《Fluent Python》，深入介绍了Python内部的很多工作原理，读完之后对于各类疑难问题的理解排查，以及语言高级特性的应用方面会很有帮助。另外动态语言元编程这块，《Ruby元编程》也是一本非常值得推荐的书。
2. Linux基础： CentOS和macOS，都是Unix/Linux系
2.1 Shell与命令行工具，软件包管理，用户及权限，系统进程管理，文件系统基础等
2.2 入门学习资料推荐《鸟哥的Linux私房菜》，基本涵盖了Linux系统管理员需要掌握知识的方方面面。进阶可以阅读《Unix环境高级编程》，对于各种系统调用的讲解非常深入，可以为后续性能调优等高级应用打下基础。
}
Aminer科研动态: https://www.aminer.cn/user/notification
shona笔记: https://www.cnblogs.com/shona/p/12364216.html
其他:
{
1. 无偏估计、有偏估计: 本质是: 对于变量/参数 真实值不能确定(数据难获取、样本大)，使用采样分析进一步估计真实值的过程中产生的误差。 E(xi) =? E(x) ? 百度知道: https://zhidao.baidu.com/question/250427382.html
2. 痘痘： 氨基酸洁面
2.1 氨基酸不是最温和的！ 乳化型洁面> 氨基酸洁面
洁面: 1) 日常 表面; 2)定期 深层（ICE-GINA水杨酸面模）； 清洁的目的：1）去除皮肤上得污垢 2)温和不损伤皮肤 3)赋予皮肤有营养的成分。
}
算法工程师:
1. 工程能力
2. 机器学习/深度学习:
2.1 模型的原理:
* 数学推导
* 优化算法
2.2 数学能力： 离散数学、随机过程、优化
2.3 论文阅读:
* 经典论文
* 理解前提和结论
2.4 模型的训练/测试/服务
2.5 特征工程:
* 特征提取
* 从特征到向量空间模型
2.6 工具和支持库的使用
2.7 模型的实际应用
3. 数据收集/清晰/处理: log/爬虫等等;
4. 计算机网络: 操作系统: 编译原理:
5. 常用包的 使用经验、理论、