Вопросы для друга в вк: Какие вопросы можно задать девушке по переписке в Вк: советы

Действие книги происходит недалеко от Брэттлборо, штат Вирджиния, и я жил в Брэттлборо пять лет. Во всех моих путешествиях я никогда не жил в более красивом месте. Когда я решил, что хочу поместить книгу в маленьком городке, на ум сразу же пришел Брэттлборо. Трит и Микки, главные герои, уже представились мне, поэтому все, что мне нужно было сделать, это выслушать их и рассказать их историю.

Расскажите нам о двух ваших главных героях и о вкусе их конфликта.

Трит устала от своей жизни в Лос-Анджелесе в качестве владельца бизнеса и решает построить дом на принадлежащем ей участке недалеко от Браттлборо. Она продает бизнес и переезжает в Брэттлборо, где встречает плотника по имени Микки Хайден, только Микки не тот, за кого она себя выдает, и не хочет / не может сказать Триту, кто она на самом деле, не подвергая жизнь Трита опасности.

Вы, безусловно, меня заинтересовали. Мне также интересно, как ты провел вечер с Кэтрин Форрест.

Я жил в округе Ориндж, штат Калифорния. Я подружился с владельцами небольшого книжного магазина в Лагуна-Бич, «Другой барабанщик» (ныне, к сожалению, покойный). Владельцы пригласили Кэтрин подписать свою последнюю книгу в их магазине, и Кэтрин согласилась встретиться с несколькими поклонниками в доме владельцев после подписания. Я был одним из счастливчиков, получивших приглашение.

Лагуна-Бич, Брэттлборо. Я должен спросить, что привлекло вас из прекрасного вермонтского городка с населением 3000 человек в Гонконг? Вы жили в других экзотических местах?

Как это объяснить? Мой друг работал в Гонконге в американской фирме и пригласил меня переехать в Гонконг, чтобы писать книги. Это была уникальная возможность. Итак, мы с двумя кокер-спаниелями переехали в Гонконг (разговор о культурном шоке!). Мне довелось побывать в таких местах, как Маньчжурия (на Зимний фестиваль снега и льда в Харбине), Ханой, Пекин, Макао и Сеул. До Гонконга я жил в Германии, Италии и на Филиппинах.

Читателям интересно, как работает автор. Расскажите нам о своем и о том, чем он для вас отличается от написания коротких рассказов.

Обычно сначала персонаж объявляет о себе, а затем, возможно, в игру вступает второй. Пока они формируются, я начинаю думать о возможных сюжетах. Когда эти двое сливаются, я начинаю писать. Я записываю все, что персонажи шепчут мне на ухо, и, прежде чем я это успеваю, у меня уже есть книга. Для меня всегда самое сложное — выбрать название. Только один или два раза название появляется вместе с персонажем и сюжетом, но если нет, я могу изменить название несколько раз, прежде чем найду то, что мне нравится. Я всегда оставляю готовый черновик на виртуальной полке мариноваться как минимум на два-три месяца, прежде чем снова отредактировать его и отправить издателю.

Я люблю писать короткие рассказы. Сюжет, по сути, дан мне редактором антологии, и написание 5000 слов вместо 70 000+ означает, что редактирование играет важную роль в создании, и я получаю удовольствие от процесса редактирования.

Как ваша повседневная работа влияет на ваше письмо, если влияет?

К счастью, у меня нет ограничений по времени написания. Много лет назад, когда я работал по шестьдесят часов в неделю, я писал каждый вечер, иногда сидя перед телевизором. Я всегда носил с собой блокнот (и до сих пор ношу) на случай, если мне придет в голову сцена, персонаж, поворот сюжета или название.

Над чем вы работаете дальше?

Моя следующая книга для BSB, Killer Winter, , находится на завершающей стадии редактирования и должна быть выпущена в марте 2018 года. Это первая книга в серии из четырех; Я закончил вторую книгу, Killer Spring, , и она маринуется несколько месяцев. Killer Summer, , третья книга серии, почти наполовину готова, а Killer Autumn , четвертая книга серии, имеет расплывчатый сюжет и преступника, который на самом деле не плохой человек. У меня тоже есть роман, Душ , готовый и на полке для маринования. Также на полке для маринования лежат два научно-фантастических романа. У меня есть два исторических романа, действие которых происходит в 1915 и 1906 годах в Гонконге. И десятки рассказов.

Похоже, у нас впереди еще много часов удовольствия от чтения Кей Бигелоу. Теперь несколько вопросов просто для удовольствия.

Какую профессию кроме вашей собственной (и автора) вы хотели бы попробовать?

Мне повезло, у меня было много разных и интересных работ, в том числе я был техническим писателем на атомной электростанции в Южной Калифорнии, редактором юридической газеты и менеджером проектов в Dell Computers. Однако самой интересной моей работой была индексация британских парламентских газет для американской компании в Честере, штат Вирджиния.

Ваш любимый напиток во время письма? Во время отдыха?

Я пью воду весь день. Тем не менее, чтобы взбодриться по утрам, всегда нужна кружка Иа-Иа с горячим шоколадом Ghirardelli.

Ахиллесова пята вашего гурмана?

Шоколад, конечно. И я никогда не пропускаю мексиканские или хорошие ребрышки барбекю.

Плоттер или пансер?

Я всегда был трусом и люблю не знать, что произойдет дальше или кто появится. Однако на Killer Winter , моя следующая книга с BSB, мой редактор научил меня, что быть трусом может быть проблематично (так как в итоге я удалил почти 17 000 слов). После этой травмы я намерен попытаться быть заговорщиком в книге, которая формируется в моей голове. Итак, у меня есть новый блокнот Code & Quill, у меня есть вкладки, и я смотрю видео на You Tube по настройке блокнота писателя. Я создаю лист персонажей, в котором перечисляю детали персонажей, которых я еще даже не встречал, рисую историю, которая еще не начала формироваться, и задаюсь вопросом, как заговорщики делают все это.

Еще раз поздравляем с набором Hiding Out , который поступит в продажу 1 октября, как раз к Женской неделе в Провинстауне.

PYMK в ВК: ОД через ЭГО-СЕТИ. Возможность добавлять пользователей в друзья есть… | by VK Team

Возможность добавлять пользователей в друзья — одна из важнейших механик любой социальной сети. Подавляющее большинство взаимодействий происходит между пользователями, которые дружат друг с другом. Они видят и комментируют сообщения друг друга в своих новостных лентах и ​​заходят в свои списки друзей, чтобы начать чаты. Вот почему так важен рост социального графа.

Меня зовут Евгений Замятин. Я являюсь частью команды Core ML в ВКонтакте. Хочу рассказать вам о том, как работает наша рекомендательная система, чтобы сблизить пользователей крупнейшей социальной сети рунета.

Современные рекомендательные системы часто состоят из двух уровней, и наша система не исключение.

Первый уровень — поисковая часть системы. Его задача — искать среди всего множества пользователей наиболее релевантных кандидатов. Этот процесс нужно сделать быстро. Обычно эти задачи решаются с помощью простых в использовании моделей, таких как матричные факторизации или эвристики, основанные на количестве общих друзей. Затем кандидаты, полученные на первом уровне, отправляются на второй уровень, где на модель больше не распространяются строгие ограничения скорости. Его основная задача — обеспечить максимальную точность предсказания и сформировать список, который увидит пользователь. В этой статье мы рассмотрим только первый этап — поиск.

Прежде всего сформулируем постановку задачи. Для каждого пользователя нам нужно найти k кандидатов, которых они с наибольшей вероятностью добавят в друзья. Метрика, на которой мы сосредоточимся, — это отзыв@k. Для этой задачи идеально подходит, так как нас интересует не порядок кандидатов, а важна их релевантность.

Давайте рассмотрим базовые, но до сих пор актуальные решения, придуманные десятки лет назад. Первый метод, который приходит на ум, самый логичный: эвристика, основанная на количестве общих друзей. Для каждого пользователя выбираются кандидаты с наибольшим значением. Этот подход прост в реализации и обеспечивает достойное качество результатов.

Другим важным методом рекомендации друзей является Adamic/Adar. Он также основан на анализе общих друзей, хотя и в модификации: авторы предлагают учитывать количество друзей, которые есть у «общего» друга. Чем больше это значение, тем меньше релевантной информации оно несет.

Недавно наши коллеги из Google+ предложили новый подход к рекомендациям друзей, основанный на эго-сетях. В своей статье авторы предложили кластеризовать эго-сети пользователей. В качестве меры релевантности они использовали значение 9.0004 показатель дружбы , который представляет собой количество общих друзей в одном кластере эго-сетей.

Помимо методов, основанных на анализе общих друзей, довольно распространены рекомендации на основе встраивания. В Лаборатории искусственного интеллекта ВК МФТИ мы провели исследование, в котором сравнили эффективность разных подходов к задаче предсказания дружбы в ВК. Результаты совпали с нашим опытом. Решения, основанные на встраивании графов, нам не подходят. Помня об этом, мы начали разрабатывать систему отбора кандидатов на основе анализа общих друзей.

Общая схема нашего метода расширяет идеи числа общих друзей и Адамика/Адара. Итоговая мера релевантности E(u, v) , с помощью которой мы будем отбирать кандидатов, также раскладывается на сумму общих друзей u и v . Ключевое отличие заключается в форме слагаемого под суммой. В нашем случае это мера ez_c(u, v) .

Сначала попробуем понять «физический» смысл меры ez_c(u, v) . Представьте, что мы взяли пользователя c и спросили его: «Какова вероятность того, что два ваших друга, и и и , станут друзьями?» Чем больше информации этот пользователь учитывает для своего прогноза, тем точнее он будет. Например, если c может вспомнить только количество своих друзей, его рассуждения могут выглядеть так: «Чем больше у меня друзей, тем меньше вероятность того, что два случайных человека узнают друг друга». Тогда оценка «вероятности» дружбы u и v (с точки зрения c ) могут выглядеть как 1/log(n) , где n — количество друзей. Вот как работает Адамик/Адар. Но что, если c учитывает больше контекста?

Прежде чем ответить на этот вопрос, давайте разберемся, почему ez_c(u, v) важно определить через пользователя c . Дело в том, что в таком виде очень удобно решать задачу распределённо. Представьте, что мы разослали всем пользователям платформы анкету с просьбой оценить вероятность того, что каждая пара их друзей дружит друг с другом. Получив все ответы, мы можем подставить значения в формулу E(u, v) . Вот как выглядит вычисление E(u, v) с помощью MapReduce:

• Подготовка . Для каждого c выделен контекст, который он будет учитывать для проведения оценок. Например, в Adamic/Adar это будет просто список друзей.
• Карта . «Спросите» у каждого c , что они думают о возможности дружбы для каждой пары своих друзей. Мы вычисляем ez_c(u, v) и сохраняем его как (u, v) → ez_c(u, v) для всех u , v в N(c) . В случае Адамика/Адара: (u, v) → 1 / log|N(c)| .
• Уменьшить . Для каждой пары (u, v) суммируем все соответствующие значения. Их будет ровно столько, сколько общих друзей у и и и .

Таким образом, мы получаем все ненулевые значения E(u, v) . Примечание: необходимое условие для E(u, v) > 0 есть наличие хотя бы одного общего друга u и v .

Контекст пользователя c в случае меры ez_c будет тот же список друзей, но дополненный информацией об отношениях внутри этого списка. Научный термин для такой структуры — «эго-сеть». Более формально эго-сеть вершины x является подграфом исходного графа, все вершины которого являются соседями вершины x 9.0005 и x , ребра которого являются всеми ребрами исходного графа между этими вершинами.

Основная идея показателя ez_c заключается в том, что его можно сделать обучаемым. Для каждого пользователя с , его эго-сети и всех пар пользователей u, v внутри нее мы можем насчитать множество различных признаков. Например:

• количество общих друзей u и v внутри эго-графа c
• количество общих друзей u и c
• интенсивность взаимодействий между v и c
• время, прошедшее с момента последней дружбы между u и кем-то из эго-графа c

  8

• плотность графа
• и другие

Таким образом, мы получим набор данных с функциями. Но нам также нужны метки для обучения. Рассмотрим набор данных, построенный из состояния графа в момент времени T . Тогда в качестве положительных примеров возьмем те пары пользователей, которые не были друзьями на момент T , но подружились T + △T . И как минус, все остальные пары пользователей, которые не являются друзьями. Примечание: поскольку мы решаем задачу прогнозирования новых дружеских отношений, те пары пользователей, которые уже являются друзьями в момент времени T , не нужно учитывать ни в обучении, ни на практике.

В итоге получаем следующий набор данных:

• для каждой пары пользователей u и v , а так же их общий друг c , характеристики рассчитываются внутри ego-net c
• пара пользователей u и v встречается в наборе данных ровно столько раз, сколько у них есть общие друзья
• все пары пользователей в наборе данных не друзья во времени T
• для каждой пары u и v метка равна 1, если они стали друзьями в течение времени △T начиная с T , и 0 9 иначе 902

  Мы будем использовать этот набор данных для обучения нашей меры ez_c . В качестве модели мы выбрали градиентный бустинг с функцией парных потерь, где ID группы — user u .

  По сути, мера ez_c (u, v) определяется как предсказание модели, описанной выше. Но есть один нюанс: при парном обучении распределение предсказаний модели похоже на нормальное. Поэтому, если мы возьмем «сырой» прогноз как определение меры ez_c(u, v) , у нас может возникнуть ситуация, когда мы оштрафуем окончательную меру E(u, v) для общих друзей, поскольку значения прогнозов отрицательны. Это не совсем понятно, так как мы не хотим, чтобы мера E(u, v) уменьшалась с увеличением числа общих друзей. Итак, в дополнение к предсказанию модели мы решили взять показатель степени:

  . Этот подход хорошо работает на небольших графиках. Но чтобы применить его к реальным данным, нам нужно выполнить еще одно действие. Суть проблемы такова: мы не можем рассчитать признаки и применить модель для каждой пары пользователей всех эго-сетей, так как это заняло бы слишком много времени. Чтобы решить эту проблему, мы придумали специальный трюк. Представим, что наше повышение градиента обучено так, что каждое дерево использует атрибуты только одного пользователя: либо и или и . Тогда мы могли бы разделить весь ансамбль на две группы: к группе A мы бы отнесли деревья, которые используют только атрибуты пользователя u , к B , пользователя v . Предсказание такой модели может быть представлено как:

  С помощью такой модели мы могли бы быстрее получать предсказания для всех пар пользователей одной и той же эго-сети. Все, что нам нужно сделать, это применить модели A и B для каждого пользователя, а затем сложить прогнозы, соответствующие парам. Таким образом, для эго-сети из n вершин мы могли бы уменьшить количество применений модели с O(n²) от до O(n) .

  Но как нам получить модель, в которой каждое дерево зависит только от одного пользователя? Вот как:

  1. Исключите из набора данных все признаки, которые одновременно зависят как от u , так и от v . Например, атрибут «количество общих друзей х и х внутри эго-графа с» придется удалить.
  2. Модель поезда A , использующая только функции, основанные на u , c и эго-сеть c .
  3. Для обучения модели B оставьте только признаки, основанные на v , c и ego-net c . Передайте прогнозы модели A в качестве базовых прогнозов.

  Если объединить модели A и B , то мы получим то, что нам нужно: первая часть использует особенности u , вторая использует характеристики v . Набор моделей имеет смысл, потому что B был обучен «исправлять» Предсказания A . Такая оптимизация позволяет ускорить расчеты в сотни раз и делает подход применимым на практике. Окончательный результат ez_c(u, v) и E(u, v) выглядит следующим образом:

  Обратите внимание, что E(u, v) можно представить как:

  Эта формула является скалярным произведением разреженных векторов, индексы которых являются пользователями, а значения — показателями прогнозов модели. Ненулевые значения здесь только для друзей u — по сути, это просто списки друзей с дополнительными значениями.

  При построении рекомендаций мы уже рассчитали прогнозы модели для всех существующих дружеских отношений. Поэтому для каждого пользователя мы можем собрать векторы и поместить их в доступное онлайн-хранилище ключей-значений. После этого мы можем получить значение E(u, v) для любой пары пользователей онлайн с помощью простой операции умножения векторов. Это позволяет использовать E(u, v) в качестве легкой функции релевантности в высоконагруженных частях системы или в качестве дополнительного признака итоговой модели ранжирования.

  В результате система EGOML позволяет:

  1. Подбирать кандидатов для каждого пользователя офлайн в распределенных настройках. Асимптотическая сложность оптимизированного алгоритма составляет O(|E|) вычислений признаков и модельных приложений, где |E| — количество подключений в графе.