今天是周二，继续昨天论文的第二部分。如果昨天的论文仅仅使用了马尔科夫模型，内容并不算多，效果也不算好，文章中在实际中加入了
时间的因素，因为每个动作都对于这一个时间，因此动作直接的时间大小也对模型起着很大的作用。在对时间进行建模时，作者假设每个动作直接
的时间分布满足gamma分布。因此在给定多个样本的情况下，就可以根据最大似然估计得到时间分布的参数估计值。这样就可以增加时间的因素进入
到HMM里面。
在实验的时候，作者对比了普通机器学习算法和关联预测方法。
（1）和机器学习方法对比时使用的是Gradient Boosted Decision
Trees (GBDT)梯度增强决策树。使用一系列特征，并且其中时间特征着重强调了一下，使用的是最大、最小和平均时间。同时也测试了增加HMM，这里
HMM的计算结果简单的当做一个值特征。
（2）和关联预测方法对比时使用的是论文《How well does result relevance predict session satisfaction?》里面的关联方法和论文《Cumulated
gain-based evauation of IR techniques》里面的DCG方法。
最后，作者增加了时间分布的结果，文中没有明确写出，增加时间我的理解是HMM的计算时在每两个状态之间直接乘以时间分布对应的概率。
今天在阅读论文的时候用到了机器学习中的GBDT方法，这里简单介绍一下：
GBDT所属
GBDT属于机器学习中的集成学习。
GBDT简介
gbdt全称梯度下降树，在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一， 在前几年深度学习还没有大行其道之前，gbdt在各种竞赛是大放异彩。原因大概有几个， 一是效果确实挺不错。 二是即可以用于分类也可以用于回归。 三是可以筛选特征。 这三点实在是太吸引人了！
GBDT使用
现在最常用的GBDT库是xgboost 直接看python的使用方法，发现一个最简单的例子：
import xgboost as xgb
# read in data
dtrain = xgb.DMatrix('demo/data/agaricus.txt.train')
dtest = xgb.DMatrix('demo/data/agaricus.txt.test')
# specify parameters via map
param = {'max_depth':2, 'eta':1, 'silent':1, 'objective':'binary:logistic' }
num_round = 2
bst = xgb.train(param, dtrain, num_round)
# make prediction
preds = bst.predict(dtest)
这个例子显示其使用方法非常简单，这个库所包含的所有方法在参数页面 查看，这里我们可以看到General Parameters里面的第一个参数的解释：
booster [default= gbtree ]
Which booster to use. Can be gbtree, gblinear or dart;
gbtree and dart use tree based models while gblinear uses linear functions.
可以看出默认使用的就是gbtree方法，即GBDT方法进行计算。
