如何优化网络商城网站以提升搜索排名？

网络商城网站怎样做关键词优化,网站建设 010,做那个网站大全,网页前端制作招聘许志永 一、说明 贝叶斯原理#xff0c;站在概率角度上似乎容易解释#xff0c;但站在函数立场上就不那么容易了#xff1b;然而#xff0c;在高端数学模型中#xff0c;必须要在函数和集合立场上有一套完整的概念#xff0c;其迭代和运算才能有坚定的理论基础。 二、贝叶… 许志永 一、说明         贝叶斯原理站在概率角度上似乎容易解释但站在函数立场上就不那么容易了然而在高端数学模型中必须要在函数和集合立场上有一套完整的概念其迭代和运算才能有坚定的理论基础。 二、贝叶斯概念的难处 2.1 并不简单 贝叶斯定理看起来天真地简单。但是分母是在 z 上积分的分区函数就不简单了。一般来说它不能通过分析来解决。即使我们可以对已知分布族的先验和可能性进行建模后验 pz|x总体上仍然难以解决。 让我们用一个简单的例子来演示它的复杂性。我们使用多项式分布来选择 K 正态分布之一。然后我们使用选定的正态分布对 xi 进行采样。如图所示后部的复杂性已经无法控制。 从源代码修改 另一种方法是近似解。在 ML 中有两种主要的近似方法。它们是采样和变分推理。在本文中我们将讨论后者。 在变分推理中给定观测值 Xwe 为潜在变量 z 构建概率模型 q即 q ≈pz|X。 上面的边际 pX 可以计算为 在变分推理中我们避免计算边际 pX。这种分区功能通常很讨厌。相反我们选择一些易于处理的分布族q来近似p。 我们将 q 与样本数据拟合以了解分布参数 θ。当我们为 q 做出选择时我们确保它易于操作。例如它的期望和归一化因子可以直接从分布参数计算。由于这个选择我们可以用 q 代替 p 进行任何推断或分析。 2.2 概述 虽然这个概念听起来很简单但细节却并非如此。在本节中我们将详细介绍著名的主题建模算法称为潜在狄利克雷分配LDA的主要步骤。我们希望这能为您提供一个顶级概述然后再深入研究细节和证明。 以下是 LDA 的图形模型。 该模型包含变量 α、β、θ、z 和 w。不要担心变量的含义因为它在我们的上下文中并不重要。 w 是我们的观察结果。 θ 和 z 是我们想要发现的隐藏变量潜在因子。 α 和 β 在我们的讨论中是固定且已知的。图形模型中的箭头表示依赖性。例如w 仅取决于 z 和 β。因此p(w|α, β, θ, z) 可以简化为 p(w|z, β)。 与许多概率模型一样我们感兴趣的是在给定已知输入的情况下对联合分布 p(w, θ, z |α, β) 进行建模。我们应用链式法则来扩展联合概率使其仅由单个变量的分布组成。然后我们应用图中的依赖关系来简化每一项。我们得到 基于主题建模问题θ和w可以用狄利克雷分布建模z可以用多项式分布建模。我们的目标是用 q 近似所有隐藏变量 θ 和 z。 我们定义了一个目标来最小化 p 和 q 之间的差异。这可以通过最大化下面的ELBO证据下限来完成。 即使不是那么明显当 p 和 q 相同时ELBO 会最大化。然而联合概率qθ z仍然很难建模。我们将它分解并近似为 qθ z ≈ qθ qz。即使它可能不完美经验结果通常也是好的。 z 由多个变量 z₁、z₂、z₃、... 组成。并且可以分解为单个组件如 Qz₁Qz₂...因此q 的最终模型为 根据主题建模问题我们可以对具有狄利克雷分布的 θ 和具有多项分布的 zi 进行建模并使用 γ 和 φi 对相应的分布参数进行建模。 这是一个伟大的里程碑因为我们设法用单个隐藏变量的分布对复杂模型进行建模并为每个隐藏变量选择一个可处理的分布。剩下的问题是如何学习γ和φi。让我们回到ELBO目标 在许多 ML 问题中为了有效地对问题进行建模隐藏变量通常相互依赖。我们无法一步优化它们。相反我们一次优化一个变量同时保持其他变量固定。因此我们轮流旋转隐藏变量以交替步骤进行优化直到解决方案收敛。在 LDA 中z 和 θ 分别在下面的步骤 5 和 6 中进行优化。 源 剩下的主要问题是如何在修复其他参数的同时优化变分参数。在每次迭代中目标隐变量 zk 的最佳分布为 分子对除 zk 之外的所有隐藏变量进行积分。 听起来我们正在重新引入邪恶的双胞胎正常化因素。尽管如此这不会成为问题。我们选择 q 作为可处理的分布。它们的期望和归一化可以从分布参数分析中得出。 等式中的分子值得更多解释。对于正则期望 E[fx₁ x₂ x₃]我们评估所有变量的 f。 但是对于我们的分子我们省略了目标变量。 即 -k 是以下的缩写 但是我们不会在计算期望时执行积分。我们对 qi 的选择使我们能够简化 ELBO 最大化中的许多计算。让我们更详细地介绍一下。