AirSOTA
Air School of Thoughts AtoZAirSOTA 知识矩阵：聚合大模型算法架构、科学育儿情境成长、加州地产考牌实战与全球数字化商业出海的权威专栏。
TalentMe · AI 学习与系统架构
工业级 AI 算法核心 69 题、前沿大模型系统架构演进与北美技术面试全流程备考深度长文。
【AI 核心深度 M7-069】解释位置偏置与冷启动的交互（Explain the Destructive Interaction Between Position Bias and Cold-Start in Recommendation）深度数理推导与工程落地解析
冷启动物品排在后面 → 无曝光 → 无数据（位置偏置加剧冷启动）；需给新物品’靠前位置’的探索配额。
【AI 核心深度 M7-070】解释跨域推荐与迁移学习（Explain Cross-Domain Recommendation (CDR) and Knowledge Transfer Techniques）深度数理推导与工程落地解析
用源域（数据丰富）的知识迁移到目标域（冷启动）；方法：共享嵌入、特征映射、预训练微调、元学习。
【AI 核心深度 M7-071】解释冷启动评估的设计（Explain the Experimental Design and Cohort Metrics for Cold-Start Evaluation in Recommendation）深度数理推导与工程落地解析
需专项评估（新用户/新物品的指标）、分层报告、以及’探索的长期收益’；整体指标会掩盖问题。
【AI 核心深度 M7-072】解释冷启动的’内容/侧信息’方法（Explain Content-Based and Side-Information Approaches for Cold-Start Recommendation）深度数理推导与工程落地解析
用物品的内容特征（标题/图片/类别/属性）构造’内容嵌入’，使新物品无需交互即可被检索/排序。
【AI 核心深度 M7-073】解释 Bandit 算法（ε-greedy / UCB / Thompson Sampling）的取舍（Compare Multi-Armed Bandit Algorithms in Production: Epsilon-Greedy, UCB, and Thompson Sampling）深度数理推导与工程落地解析
ε-greedy 简单但探索盲目；UCB 用’乐观上界’驱动探索（regret O(log T)）；Thompson 用后验采样，实践常最优。
【AI 核心深度 M7-074】解释长尾内容的’重排与多样性’策略（Explain Re-Ranking and Diversity Strategies to Protect and Elevate Long-Tail Content）深度数理推导与工程落地解析
在重排阶段强制’多样性/覆盖’（MMR/配额/类别覆盖），给长尾内容曝光；用’探索配额’与’分层重排’。
【AI 核心深度 M7-061】解释 DIN（深度兴趣网络）的注意力机制（Explain the Architecture and Target-Aware Attention Mechanism of Deep Interest Network (DIN)）深度数理推导与工程落地解析
用’候选物品’作为 query 对用户历史行为做注意力（而非固定池化），使用户表示’随候选物品变化’。
【AI 核心深度 M7-062】解释 MMoE 与多任务学习在推荐中的应用（Explain Multi-gate Mixture-of-Experts (MMoE) and Multi-Task Learning Architectures in Recommendation Systems）深度数理推导与工程落地解析
用多个专家 + 门控为每个任务生成不同的’专家组合’；缓解任务冲突（相比共享底层的硬参数共享）。
【AI 核心深度 M7-063】解释 ESMM 解决样本选择偏差（SSB）的思路（Explain How the Entire Space Multi-Task Model (ESMM) Eliminates Sample Selection Bias (SSB) and Data Sparsity in CVR）深度数理推导与工程落地解析
CTR 与 CVR 的样本空间不同（CVR 只在点击样本上训练）；ESMM 在全样本空间建模 ‘pCTCVR = pCTR × pCVR’，用 CTCVR 的标签训练。
【AI 核心深度 M7-064】解释推荐中的特征与嵌入设计要点（Explain Key Principles of Feature Engineering and Embedding Design in Deep Recommendation）深度数理推导与工程落地解析
嵌入维度按基数定（基数^0.25）；高频特征需更强正则；连续特征分桶；共享嵌入；注意’特征穿越’与’多值特征’。
【AI 核心深度 M7-065】解释深度推荐中的长序列建模与两阶段检索（SIM）（Explain Long-Sequence User Behavior Modeling and Two-Stage Search-Based Interest Networks (SIM)）深度数理推导与工程落地解析
用户历史可达数千条，注意力成本 ∝ 序列长度；SIM 先用’通用兴趣’粗筛 top-k、再精算注意力。
【AI 核心深度 M7-066】解释冷启动的三种类型与应对（Explain the Three Types of Cold-Start Problems in Recommendation and Practical Mitigation Strategies）深度数理推导与工程落地解析
用户冷启动（无历史）、物品冷启动（新物品）、系统冷启动（新平台）；应对：侧信息、探索、迁移。
【AI 核心深度 M7-067】解释探索与利用（EE）在推荐中的必要性与方法（Explain the Necessity of Exploration versus Exploitation (EE) and Multi-Armed Bandit Algorithms in Recommendation）深度数理推导与工程落地解析
利用=推已知好的（短期最优）；探索=试未知的（收集信息、发现更好、打破死循环）；方法：ε-greedy/UCB/Thompson。
【AI 核心深度 M7-047】解释排序中的位置偏置与去偏方法（Explain Position Bias in Search Ranking and Algorithmic Debiasing via Inverse Propensity Scoring (IPS)）深度数理推导与工程落地解析
用户倾向点击靠前结果（与相关性无关）；需用’逆倾向加权（IPS）’或’点击模型’去偏，否则学到的模型会’放大已有排序’。
【AI 核心深度 M7-048】解释排序特征的分类（Explain the Taxonomy and Classification of Ranking Features in Search and Recommendation）深度数理推导与工程落地解析
查询特征、文档特征、查询-文档交互特征、上下文/用户特征；交互特征是核心（但计算成本高）。