Tag: cold-start-long-tail-distribution
-
【AI 核心深度 M7-075】解释冷启动的’元学习与快速适配’（Explain Meta-Learning and Few-Shot Rapid Adaptation (MAML) for Cold-Start Recommendation）深度数理推导与工程落地解析
元学习’如何快速适配新任务/新用户’（MAML 风格）；用少量交互快速个性化，适合’多域/多用户’场景。
-
【AI 核心深度 M7-068】解释长尾商品/查询的检索困难与解法（Explain the Challenges of Long-Tail Items and Queries in Search/Recommendation and Their Solutions）深度数理推导与工程落地解析
长尾的交互少（嵌入训练不足）且语义模糊（稀疏检索也难）；用内容特征、混合检索、查询改写、跨域迁移。
-
【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 M7-066】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。