Tag: machine-learning
-
【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）。
-
【AI 核心深度 M7-049】解释排序模型的目标设计与多目标融合（Explain Multi-Objective Ranking Formulation, Loss Functions, and Pareto Optimization）深度数理推导与工程落地解析
排序目标可能是多目标的加权/约束组合；需处理目标冲突、权重调优、以及’短期 vs 长期’。
-
【AI 核心深度 M7-050】解释排序模型的线上-离线不一致来源（Explain the Sources of Offline-Online Metric Discrepancies in Search and Recommendation）深度数理推导与工程落地解析
特征偏斜、模型版本、位置偏置、反馈循环、以及’离线指标与在线指标的目标差异’。
-
【AI 核心深度 M7-051】解释 LTR 的特征工程与特征重要性分析（Explain Feature Engineering and Feature Importance Analysis (SHAP, Gain) in Learning-to-Rank）深度数理推导与工程落地解析
特征需归一化/分桶/交叉；重要性用 GBDT gain 或 SHAP 分析；注意’重要性≠因果’与’高成本特征’的剔除。
-
【AI 核心深度 M7-052】解释协同过滤的两种形式（UserCF 与 ItemCF）（Explain the Two Paradigms of Collaborative Filtering: User-Based CF versus Item-Based CF）深度数理推导与工程落地解析
UserCF 找相似用户（按相似用户的行为推荐）；ItemCF 找相似物品（推荐与用户历史相似的物品）。