Tag: machine-learning
-
【AI 核心深度 M7-079】解释业务约束在排序中的实现（Explain the Implementation of Business Rules and Operational Constraints in Search and Recommendation）深度数理推导与工程落地解析
硬约束（多样性/合规/库存）不适合放进排序模型；用’重排阶段的规则/约束优化’或’可微的约束层’实现。
-
【AI 核心深度 M7-080】解释帕累托最优与多目标权衡的可视化（Explain Pareto Optimality, the Pareto Frontier, and Multi-Objective Trade-Off Visualization）深度数理推导与工程落地解析
帕累托前沿是’无法在不损害一个目标的前提下改进另一个’的解集；用散点图/前沿曲线与业务方沟通取舍。
-
【AI 核心深度 M7-081】解释在线实验评估多目标的难点（Explain the Methodological Challenges and Frameworks for Multi-Objective Online A/B Testing）深度数理推导与工程落地解析
多目标实验的’胜出’定义模糊（A 在某目标好、B 在另一目标好）；需’主指标 + 护栏’框架、帕累托比较与多重比较校正。
-
【AI 核心深度 M7-082】解释长期价值建模（LTV）与短期指标的权衡（Explain Customer Lifetime Value (LTV) Modeling versus Short-Term Metric Trade-Offs）深度数理推导与工程落地解析
LTV 关注用户长期价值；短期指标（CTR）与 LTV 可能冲突；用’代理指标’、’长期实验’与’约束短期’来建模。
-
【AI 核心深度 M7-083】解释离线评估为何不能直接用历史数据评估新策略（Explain Why Offline Evaluation Cannot Naively Use Historical Logged Data to Evaluate New Policies）深度数理推导与工程落地解析
历史数据由’旧策略’产生（有偏），故’新策略在历史数据上的表现’不等于’新策略上线后的表现’。
-
【AI 核心深度 M7-084】写出 IPS 估计式并解释其方差问题（Write the Inverse Propensity Scoring (IPS) Estimator and Explain Its High Variance and Mitigation Strategies）深度数理推导与工程落地解析
IPS 用’1/倾向’加权历史奖励，得到无偏估计；但倾向很小时权重爆炸 → 方差极大（需截断/自归一化）。
-
【AI 核心深度 M7-085】解释 Doubly Robust 估计与它的双重稳健性（Explain the Doubly Robust (DR) Estimator and Its Dual Robustness Property in Off-Policy Evaluation）深度数理推导与工程落地解析
DR = 直接方法（模型预测）+ IPS 修正；模型或倾向之一正确即可无偏（双重稳健），且方差通常更低。
-
【AI 核心深度 M7-086】解释 OPE 中的权重截断与自归一化（Explain Importance Weight Clipping and Self-Normalization (SNIPS) in Off-Policy Evaluation）深度数理推导与工程落地解析
权重截断把 w 限制在 [0,M]（降方差、引入偏差）；自归一化用 Σw 归一（有界、对缩放不敏感）。
-
【AI 核心深度 M7-087】解释离线评估与在线 A/B 的相关性验证（Explain the Methodological Verification of Correlation Between Offline OPE Metrics and Online A/B Results）深度数理推导与工程落地解析
OPE/离线指标需与’在线 A/B 结果’相关才有意义；用历史 A/B 数据验证相关性（相关系数、排序一致性）。
-
【AI 核心深度 M7-088】解释 OPE 的适用条件与失败模式（Explain Core Assumptions, Failure Modes, and Violation Diagnostics in Off-Policy Evaluation）深度数理推导与工程落地解析
OPE 需三大假设（无混淆/正性/SUTVA）；常见失败：正性违反（新策略选新物品）、混淆、干扰、非平稳。