change Paddle -> PaddlePaddle

ctr/README.md

@@ -2,29 +2,29 @@
 <h2>Table of Contents</h2>
 <div id="text-table-of-contents">
 <ul>
-<li><a href="#org4966554">1. 背景介绍</a>
+<li><a href="#orgd3b5e47">1. 背景介绍</a>
 <ul>
-<li><a href="#orgea3bf99">1.1. LR vs DNN</a></li>
+<li><a href="#org281ac04">1.1. LR vs DNN</a></li>
 </ul>
 </li>
-<li><a href="#orgc22a0fb">2. 数据和任务抽象</a></li>
-<li><a href="#orgd330828">3. Wide &amp; Deep Learning Model</a>
+<li><a href="#org7b0794d">2. 数据和任务抽象</a></li>
+<li><a href="#orgb7d416a">3. Wide &amp; Deep Learning Model</a>
 <ul>
-<li><a href="#org00e7785">3.1. 模型简介</a></li>
-<li><a href="#orgba88a75">3.2. 编写模型输入</a></li>
-<li><a href="#orga84cacc">3.3. 编写 Wide 部分</a></li>
-<li><a href="#orga2e5de6">3.4. 编写 Deep 部分</a></li>
-<li><a href="#orgd16118a">3.5. 两者融合</a></li>
-<li><a href="#org3d58a70">3.6. 训练任务的定义</a></li>
+<li><a href="#org34e65a5">3.1. 模型简介</a></li>
+<li><a href="#org9aab6a2">3.2. 编写模型输入</a></li>
+<li><a href="#org28eef19">3.3. 编写 Wide 部分</a></li>
+<li><a href="#orga6a8e51">3.4. 编写 Deep 部分</a></li>
+<li><a href="#org447552d">3.5. 两者融合</a></li>
+<li><a href="#orgbf70727">3.6. 训练任务的定义</a></li>
 </ul>
 </li>
-<li><a href="#org54ed5a6">4. 写在最后</a></li>
+<li><a href="#orgefd4d16">4. 写在最后</a></li>
 </ul>
 </div>
 </div>
 
 
-<a id="org4966554"></a>
+<a id="orgd3b5e47"></a>
 
 # 背景介绍
 
@@ -32,7 +32,7 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
 通常被用来衡量一个在线广告系统的有效性。
 
 当有多个广告位时，CTR 预估一般会作为排序的基准。
-比如在百度的搜索广告系统，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
+比如在搜索引擎的广告系统里，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
 
 1.  召回满足 query 的广告集合
 2.  业务规则和相关性过滤
@@ -51,7 +51,7 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
 逐渐地接过 CTR 预估任务的大旗。
 
 
-<a id="orgea3bf99"></a>
+<a id="org281ac04"></a>
 
 ## LR vs DNN
 
@@ -70,10 +70,10 @@ LR 部分和蓝色箭头部分可以直接类比到 NN 中的结构，可以看
 
 LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括内存和计算量等，工业界都有非常成熟的优化方法。
 
-本文后面的章节会演示如何使用 Paddle 编写一个结合两者优点的模型。
+本文后面的章节会演示如何使用 PaddlePaddle 编写一个结合两者优点的模型。
 
 
-<a id="orgc22a0fb"></a>
+<a id="org7b0794d"></a>
 
 # 数据和任务抽象
 
@@ -89,14 +89,14 @@ LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括
 具体的特征处理方法参看 [data process](./dataset.md)
 
 
-<a id="orgd330828"></a>
+<a id="orgb7d416a"></a>
 
 # Wide & Deep Learning Model
 
 谷歌在 16 年提出了 Wide & Deep Learning 的模型框架，用于融合 适合学习抽象特征的 DNN 和 适用于大规模系数特征的 LR 两种模型的优点。
 
 
-<a id="org00e7785"></a>
+<a id="org34e65a5"></a>
 
 ## 模型简介
 
@@ -111,7 +111,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
 而模型右边的 Deep 部分，能够学习特征间的隐含关系，在相同数量的特征下有更好的学习和推导能力。
 
 
-<a id="orgba88a75"></a>
+<a id="org9aab6a2"></a>
 
 ## 编写模型输入
 
@@ -132,7 +132,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
     click = paddle.layer.data(name='click', type=dtype.dense_vector(1))
 
 
-<a id="orga84cacc"></a>
+<a id="org28eef19"></a>
 
 ## 编写 Wide 部分
 
@@ -142,7 +142,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
         return fc
 
 
-<a id="orga2e5de6"></a>
+<a id="orga6a8e51"></a>
 
 ## 编写 Deep 部分
 
@@ -159,7 +159,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
         return _input_layer
 
 
-<a id="orgd16118a"></a>
+<a id="org447552d"></a>
 
 ## 两者融合
 
@@ -175,7 +175,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
         return fc
 
 
-<a id="org3d58a70"></a>
+<a id="orgbf70727"></a>
 
 ## 训练任务的定义
 
@@ -221,7 +221,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
         num_passes=100)
 
 
-<a id="org54ed5a6"></a>
+<a id="orgefd4d16"></a>
 
 # 写在最后
 

ctr/README.org

@@ -4,7 +4,7 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
 通常被用来衡量一个在线广告系统的有效性。
 
 当有多个广告位时，CTR 预估一般会作为排序的基准。
-比如在百度的搜索广告系统，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
+比如在搜索引擎的广告系统里，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
 
 1. 召回满足 query 的广告集合
 2. 业务规则和相关性过滤
@@ -38,7 +38,7 @@ LR 部分和蓝色箭头部分可以直接类比到 NN 中的结构，可以看
 
 LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括内存和计算量等，工业界都有非常成熟的优化方法。
 
-本文后面的章节会演示如何使用 Paddle 编写一个结合两者优点的模型。
+本文后面的章节会演示如何使用 PaddlePaddle 编写一个结合两者优点的模型。
 
 * 数据和任务抽象
 我们可以将 `click` 作为学习目标，具体任务可以有以下几种方案：

ctr/dataset.md

@@ -2,35 +2,34 @@
 <h2>Table of Contents</h2>
 <div id="text-table-of-contents">
 <ul>
-<li><a href="#org2665a87">1. 数据集介绍</a></li>
-<li><a href="#org6179fca">2. 特征提取</a>
+<li><a href="#orgb697e2a">1. 数据集介绍</a></li>
+<li><a href="#org912d23e">2. 特征提取</a>
 <ul>
-<li><a href="#org42da1c1">2.1. 类别类特征</a></li>
-<li><a href="#org53b2fea">2.2. ID 类特征</a></li>
-<li><a href="#orgc5d512d">2.3. 数值型特征</a></li>
-<li><a href="#org38ba127">2.4. 特征处理方法</a></li>
+<li><a href="#org59e1a78">2.1. 类别类特征</a></li>
+<li><a href="#orgad86672">2.2. ID 类特征</a></li>
+<li><a href="#orgeed4bfc">2.3. 数值型特征</a></li>
 </ul>
 </li>
-<li><a href="#orgbef0a6e">3. 特征处理</a>
+<li><a href="#orgbb21fbb">3. 特征处理</a>
 <ul>
-<li><a href="#org72e16f2">3.1. 类别型特征</a></li>
-<li><a href="#org3473ce8">3.2. ID 类特征</a></li>
-<li><a href="#org53745e6">3.3. 交叉类特征</a></li>
-<li><a href="#org60b0048">3.4. 特征维度</a>
+<li><a href="#org9105d62">3.1. 类别型特征</a></li>
+<li><a href="#org6131dd5">3.2. ID 类特征</a></li>
+<li><a href="#org64a5228">3.3. 交叉类特征</a></li>
+<li><a href="#orgdfa3224">3.4. 特征维度</a>
 <ul>
-<li><a href="#orgac20756">3.4.1. Deep submodel(DNN)特征</a></li>
-<li><a href="#orgbccc155">3.4.2. Wide submodel(LR)特征</a></li>
+<li><a href="#org4c15bfb">3.4.1. Deep submodel(DNN)特征</a></li>
+<li><a href="#orga3f2dd5">3.4.2. Wide submodel(LR)特征</a></li>
 </ul>
 </li>
 </ul>
 </li>
-<li><a href="#org758adb3">4. 输入到 Paddle 中</a></li>
+<li><a href="#org55405cd">4. 输入到 PaddlePaddle 中</a></li>
 </ul>
 </div>
 </div>
 
 
-<a id="org2665a87"></a>
+<a id="orgb697e2a"></a>
 
 # 数据集介绍
 
@@ -55,7 +54,7 @@
 -   C14-C21 &#x2013; anonymized categorical variables
 
 
-<a id="org6179fca"></a>
+<a id="org912d23e"></a>
 
 # 特征提取
 
@@ -79,7 +78,7 @@
     -   hour (可以转化成数值，也可以按小时为单位转化为类别）
 
 
-<a id="org42da1c1"></a>
+<a id="org59e1a78"></a>
 
 ## 类别类特征
 
@@ -89,7 +88,7 @@
 2.  类似词向量，用一个 Embedding Table 将每个类别映射到对应的向量
 
 
-<a id="org53b2fea"></a>
+<a id="orgad86672"></a>
 
 ## ID 类特征
 
@@ -104,7 +103,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
 上面的方法尽管存在一定的碰撞概率，但能够处理任意数量的 ID 特征，并保留一定的效果[2]。
 
 
-<a id="orgc5d512d"></a>
+<a id="orgeed4bfc"></a>
 
 ## 数值型特征
 
@@ -114,19 +113,12 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
 -   用区间分割处理成类别类特征，稀疏化表示，模糊细微上的差别
 
 
-<a id="org38ba127"></a>
-
-## 特征处理方法
-
-具体特征处理方法参看 [data process](./dataset.md)
-
-
-<a id="orgbef0a6e"></a>
+<a id="orgbb21fbb"></a>
 
 # 特征处理
 
 
-<a id="org72e16f2"></a>
+<a id="org9105d62"></a>
 
 ## 类别型特征
 
@@ -173,7 +165,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
 本任务中，类别类特征会输入到 DNN 中使用。
 
 
-<a id="org3473ce8"></a>
+<a id="org6131dd5"></a>
 
 ## ID 类特征
 
@@ -198,7 +190,7 @@ ID 类特征代稀疏值，且值的空间很大的情况，一般用模操作
             return self.max_dim
 
 
-<a id="org53745e6"></a>
+<a id="org64a5228"></a>
 
 ## 交叉类特征
 
@@ -215,12 +207,12 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
 我们通过组合出两者组合来捕捉这类信息。
 
 
-<a id="org60b0048"></a>
+<a id="orgdfa3224"></a>
 
 ## 特征维度
 
 
-<a id="orgac20756"></a>
+<a id="org4c15bfb"></a>
 
 ### Deep submodel(DNN)特征
 
@@ -279,7 +271,7 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
 </table>
 
 
-<a id="orgbccc155"></a>
+<a id="orga3f2dd5"></a>
 
 ### Wide submodel(LR)特征
 
@@ -338,9 +330,9 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
 </table>
 
 
-<a id="org758adb3"></a>
+<a id="org55405cd"></a>
 
-# 输入到 Paddle 中
+# 输入到 PaddlePaddle 中
 
 Deep 和 Wide 两部分均以 \`sparse<sub>binary</sub><sub>vector</sub>\` 的格式[1]输入，输入前需要将相关特征拼合，模型最终只接受 3 个 input，
 分别是

ctr/dataset.org

@@ -170,7 +170,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
 |---------------------+-----------|
 | Total               | 1,040,000 |
 |---------------------+-----------|
-* 输入到 Paddle 中
+* 输入到 PaddlePaddle 中
 Deep 和 Wide 两部分均以 `sparse_binary_vector` 的格式[1]输入，输入前需要将相关特征拼合，模型最终只接受 3 个 input，
 分别是