主要 follw 教程：https://datawhale.feishu.cn/docs/doccndJC2sbSfdziNcahCYCx70W#
决策树建树算法有三种ID3、C4.5、CART，每个算法主要考虑的事情主要有三个问题：
主要 follw 教程：https://datawhale.feishu.cn/docs/doccndJC2sbSfdziNcahCYCx70W#
以一元线性回归为例：求解发际线高度x和计算机水平y的关系。
模型：根据经验（或观察数据形态），呈线性关系，所以假设空间 $f(x)=wx+b$，而不是曲线关系。
策略：所有点距离拟合的直线垂直距离最小，即均方误差小，最小二乘法。或者使用极大似然估计，假设$y=wx+b+\epsilon$，对$\epsilon$误差建模，能得出同样策略。
损失函数为均方误差(最小二乘法):
算法：可以证明 $E_{(w, b)}$是凸函数（可以求2阶偏导数，证明Hessian矩阵半正定），所以能求出闭式解。（但机器学习算法通常没有闭式解，就要用梯度下降法、牛顿法近似求解）
令一阶偏导等于0，可以求出闭式解(此处省略推导):
主要 follw 教程：https://datawhale.feishu.cn/docs/doccndJC2sbSfdziNcahCYCx70W#
只记录一些印象深刻的基本概念，以及自己认为重要的点
Task01：熟悉Torch-RecHub框架设计与使用方法
参考资料：0613晚直播讲解，直播ppt，RecHub源码
一句话概括：一个轻量级的pytorch推荐模型框架（详见ppt）。
比较认可的一点是：“模型训练与模型定义解耦，无basemodel概念，易拓展”，因为之前接触过 RUC 的开源框架 Recbole ，emm只能说对新手不是很友好（但不否认是一个伟大的开源项目），不友好主要就体现在各种 basemodel 的封装继承导致比较难修改。
作者本人解读：https://mp.weixin.qq.com/s/kSayir_jVwZbhEPm0qtYPA
中译：基于用户价格偏好及兴趣偏好的会话推荐
总结：
异质超图=异质图+超图：异质图——融合异质特征，超图——捕捉高阶依赖
双通道聚合：intra + inter ，聚合同类和异类信息，获得价格和兴趣偏好的初级表示
协同指导学习：捕捉价格偏好和兴趣偏好之间的复杂联系，获得语义增强的价格和兴趣偏好的表示
