Tag: applied-scientist
-
【AI 核心深度 M7-045】比较 Pointwise、Pairwise、Listwise 三种 LTR 方法（Compare Pointwise, Pairwise, and Listwise Learning-to-Rank (LTR) Methodologies）深度数理推导与工程落地解析
pointwise 逐个打分（忽略顺序）、pairwise 优化样本对顺序、listwise 直接优化列表指标。
-
【AI 核心深度 M7-046】解释 LambdaMART 的核心思想（Explain the Core Principles, Lambda Gradients, and GBDT Integration of LambdaMART）深度数理推导与工程落地解析
用 λ 梯度（含 |ΔNDCG| 权重）作为’伪梯度’，配合 GBDT 拟合；既优化排序指标又利用 GBDT 的强拟合能力。
-
【AI 核心深度 M7-018】解释 RRF（Reciprocal Rank Fusion）的原理与超参数 k 的作用（Explain the Principles of Reciprocal Rank Fusion (RRF) and the Role of Hyperparameter k）深度数理推导与工程落地解析
只用排名融合：score=Σ 1/(k+rank_i)，k≈60；避免不同检索器分数尺度不可比的问题。
-
【AI 核心深度 M7-019】解释为什么混合检索通常优于单一方法（Explain Why Hybrid Retrieval (Sparse + Dense) Consistently Outperforms Single Retrieval Modalities）深度数理推导与工程落地解析
稀疏（精确匹配）与稠密（语义泛化）能力互补；查询类型多样时，混合能覆盖更多情况。
-
【AI 核心深度 M7-020】解释分数融合与排名融合的差异（Explain the Differences Between Score-Based Fusion and Rank-Based Fusion in Search Systems）深度数理推导与工程落地解析
分数融合用归一化后的分数加权（保留置信度但需正确归一化）；排名融合用排名（鲁棒但丢信息）。
-
【AI 核心深度 M7-021】解释多路召回的设计与配额分配（Explain Multi-Channel Candidate Generation (Multi-Channel Retrieval) and Quota Allocation Strategies）深度数理推导与工程落地解析
多路（稀疏/稠密/i2i/热门/新品）各自召回再融合；需分配各路的候选配额（top-k）与去重。
-
【AI 核心深度 M7-022】解释检索中的查询改写与扩展（Explain Query Rewriting and Expansion Techniques in Modern Information Retrieval）深度数理推导与工程落地解析
改写（补全指代/纠错/分解）与扩展（加同义词/相关词）可提升召回；但可能引入噪声（查询漂移）。
-
【AI 核心深度 M7-023】解释检索系统的一致性（训练-服务）问题（Explain Training-Serving Consistency and Feature Skew in Search and Retrieval Systems）深度数理推导与工程落地解析
训练与线上服务的特征/模型/预处理必须一致；不一致会导致离线好而线上差（最常见的线上事故来源）。
-
【AI 核心深度 M7-024】解释学习式融合与权重调优（Explain Learned Fusion and Weight Optimization in Multi-Channel Retrieval Systems）深度数理推导与工程落地解析
用 LTR 模型（输入各路分数与特征）学融合；比固定权重/RRF 更优但需标注数据且防过拟合。
-
【AI 核心深度 M7-025】解释检索系统的延迟预算与级联设计（Explain Latency Budgets and Multi-Stage Cascade Architecture in Search and Recommendation）深度数理推导与工程落地解析
多阶段级联（召回→粗排→精排→重排）各阶段有延迟预算；候选数逐级减少、模型逐级变强。