1. 欧式距离加权，LSTM里Embedding？

嵌入层(embedding layer)的作用是为传入词建立词向量。它位于输入层与LSTM层之间，即嵌入层的输出将输入给LSTM层。

LSTM作为基于矩阵乘法、加法和浮点运算的网络和模型，如果你考虑向LSTM提供一个单词作为输入，你需要另找基于整数或者浮点数的表达来讲你的单词输入网络之中。一般来说，最合理的表达方法，是将每一个单词用整数表达，并且因为你所拥有的词汇库是有限的，你用来表达单词的整数集也将是有限的。为了达到矩阵代数的效果，通常这些整数会被以1-0数组的方式表达为数组索引，这其中每个单词被其指定整数的索引位置上由1表达，其余所有位置为0。

举个例子，比如你有一个只包含了两句话的数据集：

I love coffee.

I like dogs.

数据集中的词汇为 {I, love, coffee, I, like, dogs}

接下来给每个单词指定一个整数：

I: 0, love: 1, coffee: 2, like: 3, dogs: 4

用向量表达后为：

I: [1,0,0,0,0]

love: [0,1,0,0,0]

coffee: [0,0,1,0,0]

like: [0,0,0,1,0]

dogs: [0,0,0,0,1]

这种词语表达的方式被称为one-hot vector representation.

但是我们会发现，如果使用这一方法，相似的单词之间并不会共享任何信息（相似度基于使用单词的文本内容），比如在上面的例子中计算“coffee”、“love”、“like”、“love”之间的欧式距离，最终得到的结果是一样的。在这种情况下，为了让相似的单词相比于不相似的单词之间有更小的欧式距离，另一种表达方法被使用，即 word embedding。在使用之后，上面例子中的词向量会改变样子，比如：

I: [0.02, 0.08, 0.14, 0.16, 0.60]。

通常情况下嵌入层的权重可以被随机值初始化，但更普遍广泛使用的是用第三方词嵌入比如word2vec，GloVe，fasttext等等，使用第三方嵌入来建立词向量的方法是迁移学习的一种。

在训练或者测试的前向过程中，嵌入层会完成单词的查找以得到特定的次嵌入；在反向过程中，损失函数的梯度也流经嵌入层以学习对当前任务最合适的词嵌入。

2. 什么是bs模式？

欧式看涨期权在行权日 T 的期望价值为 E[max(S(T) – K, 0)]，其中 S(T) 为股票在 T 时刻的价格，K 为行权价。股价 S 满足对数正态分布，在风险中性定价理论下，S 的期望收益率为无风险收益率 r，且期权的折现率也等于无风险收益率 r。因此，期权在当前时刻的价格 C 为：

根据对数正态分布的性质可以方便的计算出 E[max(S(T) – K, 0)]，从而得到著名的 BS 期权定价公式（同时给出看涨期权价格 C 和看跌期权价格 P）：

根据公式并利用计算机，只要输入五个变量——当前股价 S(0)、行权价格 K，行权日距现在的时间（按年计算）T，无风险收益率 r，以及标的股票的年收益率的标准差 σ ——就可以计算出欧式看涨（看跌）期权的理论价格，这无疑非常方便。然而我们需要了解定价公式背后的含义。

对于任何一个期权，在定价时有两个不确定性需要考虑：

这个期权到行权日到底是不是实值期权（in-the-money），就是到底有没有行权的价值（比如说我买了一个看涨期权，但是行权日股价 S 低于 K，那么这个期权就没有价值）。如果行权了，那么我们的（期望）收益到底能有多少（比如行权价是 100，在行权日股价是 110，那么每股我们能赚 10 块；而如果股价是 120，则每股我们能赚 20 块）。

这两个不确定性恰恰就对应着由 BS 定价公式中的 N(d_1) 和 N(d_2)。

以看涨期权为例来解释这一点。在 BS 公式中，N 代表了标准正态分布的累积密度函数，因此 N(d_1) 和 N(d_2) 就代表两个概率。其中，N(d_2) 正是在风险中性世界中期权被行权的概率，即 prob(S(T) > K)。因此 C 公式中的第二项 Ke^(-rT)N(d_2) 就是在当前时点、考虑了行权概率后的行权费的期望（即为了在T购买股票所需的期望成本）。

至于 N(d_1)，对于它的理解远没有 N(d_2) 直观。先抛开 N(d_1) 不说，而来看看 C 公式中的第一项。由于第二项代表着期望成本，那么第一项必然代表着行权得到股票的期望收益。由于只有 S(T) 大于 K 才会行权，因此在行权的条件下，股票在行权时的期望价值是一个条件期望，即 E[S(T) | S(T) > K]。用这个条件期望乘以行权的概率 N(d_2) 再把它折现到今天（乘以 e^(-rT)）就应该是 C 公式中的第一项。因此有：

将 S(0) 替换为 e^(-rT)E[S(T)] 并带入上式可知：

由于 E[S(T) | S(T) > K] > E[S(T)]，因此 N(d_1) > N(d_2)（这从 d_1 大于 d_2 且 N 是单调增函数也可以验证）。根据这个关系，我们可以把 N(d_1) 理解为风险中性世界中、按照股票价格加权的行权概率。这是因为和固定的行权成本 K 不同（K 是独立于股价 S 的），收益和股价之间不是独立的。

N(d_1) 在数学上还有另外的解释，它是“以股票波动率 σ 为市场风险定价，并在以股票为计价单位时，期权被行权的概率”。解释它需要涉及到测度变换、等价鞅、以及计价单位变换等高深的数学知识。

更多的请见：

石川：布朗运动、伊藤引理、BS 公式（后篇）

3. 处理图像分类的算法有哪些？

图像分类算法是机器学习领域中的一类，主要的分类算法包括传统和深度两大类，那么我们来说说各自都有哪些分类算法吧。

首先传统机器学习分类算法包括:

1. 最近邻(KNN) 它的主要思想是人工选取分类类别数，在利用测试样本的各个特征与原始样本的各个特征的欧式距离得到一个结果值，最后在一定范围内统计所有结果值，找出最多类的类别作为测试样本的类别。

优点: 样本无需训练，好理解，对大体量 数据分类效果较好。

缺点: 误差很难控制，对于小样本准确率较低，计算量较大。

2. 朴素贝叶斯 它是利用样本的一定先验知识，通过后验概率的统计来得出测试样本属于某一类的概率。

优点: 训练样本在较少情况下就可以达到效果

缺点: 需要先验知识，往往出现过拟合

3. 决策树 它是利用属性结构不断进行分支处理，进而从树根一直到树枝进行判断有无(二分类)来得到最终的分类结果。

优点: 处理速度块，好理解

缺点: 分类准确率不高

4. 支持向量机(SVM) 通过构建分类超平面将两类样本区分开，进而对测试样本提取到的特征进行分类。它后期延展到高维，通过选取基函数来进行多分类。

优点: 分类准确率较高

缺点: 不好理解，优化较难

5. 经典BP神经网络 它的拓扑结构与现在的深层神经网络没有大的区别，主要是输入、隐藏和输出层，对训练数据通过不断的反向传播调整特征权重来达到收敛的目的，最终使用训练模型进行测试样本分类。

优点: 分类准确率较高

缺点: 参数较多，优化复杂

再简单探讨深度学习分类算法，深度学习中经典的minist数据集就是用于分类的经典数据集。我们可以构建基础的神经网路，通过卷积提取特征，再利用池化较少计算复杂度，最后利用全连接层对特征进行展开，并利用sigmoid等函数得到各个分类的概率，找到最大概率对应的类别，即为测试样本的类别。

优点: 实用性较强，具有泛化能力，准确率较高

缺点: 参数太多，优化难度较大

总结一下，分类算法分为传统机器学习方法和现代深度学习方法，根据你的样本数量及运算性能和精确程度、速度的要求选择不同的分类方法。

分类算法需要不断的调参和进行数据分析才能得到较好的结果，我相信只要大家勤于思考，勤务动手，一定能在该领域有所见术。如果大家有什么疑问，可以留言，也希望彼此互相学习，共同成长。

4. means和knn算法的区别？

k-means和knn算法是机器学习中常用的两种算法，它们具有以下区别：1. k-means和knn算法在使用方式和应用场景上有所不同。2. k-means算法是一种无监督学习算法，用于将数据划分为k个不同的簇。它通过计算数据点与各个簇中心的距离来确定每个点所属的簇，并不依赖于标记的先验知识。而knn算法是一种有监督学习算法，用于分类或回归问题。基于距离度量，knn算法通过比较新样本与训练数据中的样本之间的距离来进行预测或分类。3. 除了使用方式和应用场景的区别，k-means和knn算法还有其他方面的差异。例如，k-means算法需要用户指定簇的数量k，而knn算法需要用户指定k个最近邻的数量。此外，k-means算法对于异常值和噪声比较敏感，而knn算法对于样本分布的密度变化较为敏感。综上所述，k-means和knn算法在使用方式、应用场景和算法特性上存在明显的区别。

5. 作为淘宝中小卖家的我们如何优化上首页？

第一步：基础优化---相关性和属性优化

产品的相关性首先是有类目决定的，第一步就要看类目有没有放错。

是不是类目搜索系统第一推荐的，第二个方法可以借助下直通车，看推广关键词的质量得分是不是在5分以下的非常多基本都是2分左右。这也基本能判断类目错放。

做好类目相关性就要注意关键词的相关性，做好相关性的级别分类，

举个例子：

我一款宝贝是一款欧式沙发也可以叫法式沙发也可以叫新古典沙发。然后属性又可以叫实木还可以叫白橡木，尺寸又可以是1.5又可以是2.2 又可以是双人又可以是三人。相信很多产品都可以叫很多种叫法，有很多模棱两可的属性。那么怎么判定关键词的相关性，

唯一的方法就是转化与转化最接近的我们作为一级相关，然后以此类推。可以根据软件找出这个类目转化最大的词，那么确定下来，第一步肯定是要打一级相关的属性词。

第二步：关键词组合

用一级相关的产品词和属性词做组合。（假如属性比较多建议以一级相关为主，假如产品属性非常少，建议一级产品词+2级属性结合）不同的产品，组合方法是不一样的，千万不能固化要学以致用。学习的是这种用产品和属性来做关键词的思维。

第三步：确定最相关的关键词分析其市场竞争度和销量预判

这步主要结合软件完成，一是：淘宝指数二是：直通车里面的流量解析功能。

都是最相关的属性的词时候，市场的成交量决定有没有必要打这个词。

竞争对决定优先打那个词。

解释下几个公式：竞争度等于市场的供给/需求 当需求一定的情况下供给越大竞争越大。

所以 竞争度=搜索指数/宝贝数量 （7天搜索指数为基数）

第四步：学会用数据验证自己的分析

自己的分析和结论对不对一定要用数据验证，我们的分析不一定是对的，因为市场的数据本来就有欺骗性，我们要对数据进行必要的过滤才行，在比如一个产品的市场周期等因素。

怎么去除市场的假象，有个小技巧分享给大家。

首先去找到自己的主要竞争对手的同类宝贝，的主要成交关键词。这里多统计几家尽量找几家实力比较强的卖家。（这步用数据模方）统计好之后看成交关键词的频次，结果就一目了然了（这个方法主要验证第三步确定的最相关的关键词对不对）

第五步：这里就要经过上几步的分析确定优先主推关键词。

综上所述：确定主推关键词的思路一是：行业成交率高二是：销量高三是：相对竞争比较小 的几个关键词作为主推关键词。

第六步：做标题的组合

个性化非常严重，那么我们的关键词一定要优化的精准精准再精准，要做的就是要让精准的关键词出现在买家面前。

标题优化的文章很多前几篇文章我也有提到过但是不管有多少种优化方法最有效的还是遵循一个原则：紧密优先展示的原则

当确定了要推那几个关键词，把他们列出来，排出最好，次好，较好，一般这样的级别出来。把最好的做紧密结合，其他的就添加那些二级属性或者二级产品即可。如果词有重复的 就按照要推的宝贝优先级分配下去，做到每个宝贝都有适合的关键词。

第七步：就是上下架的优化了

核心就是找到真正的竞争对手，先确定竞争的关键词，如果产品的竞争力比对手的强，就跟他一样下架的时间，找热门的时间去打。如果竞争力一般就要避开热门的时间。（这都是相对的，一定找到适合的参照物找到适合的竞争对手）

点击头像关注我，学习店铺运营技巧，了解更多电商资讯。

6. 为什么很多女生正脸漂亮？

谢谢邀请。

这个问题恐怕还是整形医生最有发言权了。

“女生正脸漂亮，侧脸也应该漂亮”。这是我的认识。

但是，在现实中，确实有许多女生正面看，漂亮，侧面看确实一般，有的甚至很丑。

丑在哪，鼻子塌，嘴部分突出。

鼻子塌，嘴难看，为啥正面看不出来呢？

这要归功于强大的“化妆术”。

曾经看过一个戏曲节目，节目中的一个角色扮演者，侧面脸差强人意，但经过化妆，正面看，貌似天仙。

这是因为，化妆能够提升，强化和突出面部轮廓亮点，模糊淡化面部不如意的部位，所以，正脸看就漂亮。

毕竟化妆不能改变人长定型的面部骨骼部分，正面看起来漂亮，侧脸看起来就一般。

只因为化妆不能从根本上改变人的“骨相”问题，因此既要正面让人看到漂亮，又想让自己侧脸看起来也好看，就有不少爱美女生冒着风险加入整形队列，任医生对自己面部不满意的部位动刀动剪，重塑面部，这也就不奇怪了。

（非专业解释）

7. 现在顾客都在网上买？

其实不光是灯具，很多标准化的商品都面临顾客去网上购买的问题，一方面是价格，还有一个就是方便。我们看到很多网上骂马云，骂网购，骂顾客贪便宜。如果骂能解决问题，我们整天去骂了。骂只不过是把自己的懦弱扒开给别人看而已。

首先我们接受现实：就是越来越多的客户去网上购买商品了。而且趋势是越来越多，很少有回来的。所以守着传统的实体店和方法唯一的出路就是等死而已。但是很多人一方面坚信实体店还是有未来的，一方面目前环境下又熬不到那一天怎么办？那就是变，怎么变呢？

就是很多实体店老板自己都去网上购买，还希望顾客到自己实体店买东西，是不是掩耳盗铃！其实很简单喜欢去网上购物的客户照样去买，到实体店还是会去实体店，那客户到哪里我们就应该去哪里，这是一个简单的逻辑。所以实体店现在做得就是线上线下相结合，也就是线上线下的生意都要做，只做一边的肯定很难。

第二就是定价：如果想做好实体店，就把网购价格订的比网上低，想做好线上就把实体店的价格定高，逻辑就如此简单。而且支持顾客主动比价，这个很多实体店做不到，所以也是活不下去的原因。为什么呢，你又想赚高利润还有不想付出可能吗？

第三，这是个真实案例：内蒙古有家家电连锁商场，只要顾客到店导购员就主动打开手机让顾客比价，这几年都实现利润销售额双增长，这个网上可以搜到的。

第四：很多实体店老板说，网上价格那么我们怎么可能卖那么低，很简单别人能卖说明还是有利润，没有人做生意是为了赔钱。如果别人能卖你卖不了，你趁早关门，凭什么要别人买你贵的，你成本高关别人什么事情。其实这个对接线上平台很容易解决的，方法也很简单，这里就不说了。

最后说一下：实体店要想活下去赚钱，唯一的出路就是创新，降低成本增加效率。如果光凭骂能解决问题，最后的出路就是被淘汰。