Tag: machine-learning
-
【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 M7-061】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。