Tag: module-m7
-
【AI 核心深度 M7-055】解释召回-排序两阶段架构的必然性（Explain the Theoretical and Operational Necessity of the Two-Stage (Retrieval-Ranking) Architecture）深度数理推导与工程落地解析
召回从百万级取千级（多路、快）；排序对千级精排（慢、准）；两阶段是算力约束下的必然。
-
【AI 核心深度 M7-056】解释序列推荐与用户行为建模（Explain Sequential Recommendation and User Behavior Modeling (GRU4Rec, SASRec, BERT4Rec)）深度数理推导与工程落地解析
用用户的行为序列（点击/购买的时间顺序）建模兴趣演化；方法：GRU4Rec（RNN）、SASRec（自注意力）、BERT4Rec（双向）。
-
【AI 核心深度 M7-057】解释推荐系统的评估指标与业务目标（Explain the Alignment Between Offline Evaluation Metrics and Online Business Objectives in Recommendation）深度数理推导与工程落地解析
离线用 Recall@k/NDCG/AUC；在线用 CTR/时长/GMV；两者需对齐，且需护栏指标防短期损害长期。
-
【AI 核心深度 M7-058】解释推荐系统的召回通道设计（i2i / u2i / 热门 / 新品）（Explain Candidate Generation Channel Architecture in Recommender Systems (i2i, u2i, Popularity, New Items)）深度数理推导与工程落地解析
召回通道各有’信号来源’：i2i（物品相似）、u2i（用户兴趣向量）、热门（流行度）、新品（新鲜度）；配额按’独有贡献’分配。
-
【AI 核心深度 M7-059】解释 Wide&Deep 的结构与动机（Explain the Architecture, Memorization versus Generalization Trade-Off, and Joint Training of Wide&Deep）深度数理推导与工程落地解析
Wide 部分（线性交叉特征）捕捉记忆（’共现’）；Deep 部分（MLP）捕捉泛化（’相似性’）；联合训练。
-
【AI 核心深度 M7-060】解释 DeepFM 相比 Wide&Deep 的改进（Explain the Architectural Upgrades of DeepFM over Wide&Deep: Automatic 2nd-Order Crosses and Shared Embeddings）深度数理推导与工程落地解析
用 FM 替代 Wide 部分的’手工交叉特征’，自动学二阶交叉；FM 与 Deep 共享嵌入，端到端训练。
-
【AI 核心深度 M7-032】解释过滤检索（Filtered Search）的挑战与做法（Explain the Challenges and Architectural Solutions for Filtered Vector Search (Hybrid Search with Metadata)）深度数理推导与工程落地解析
带元数据过滤的向量检索：先过滤后检索（召回低）或先检索后过滤（结果不足）；用支持过滤的索引或分区。
-
【AI 核心深度 M7-033】解释 ANN 索引的更新与一致性维护（Explain Mutation Handling, Deletion Strategies, and Consistency Maintenance in ANN Indices）深度数理推导与工程落地解析
插入（HNSW 支持、IVF 需重训 PQ 码本）、删除（标记删除 + 定期重建）、以及’索引与数据源的一致性’。
-
【AI 核心深度 M7-034】解释图索引的构建参数（M / efConstruction）与查询参数（efSearch）（Explain the Impact and Optimization of Graph Index Construction (M, efConstruction) and Search (efSearch) Parameters）深度数理推导与工程落地解析
M 控连接数与内存、efConstruction 控构建质量、efSearch 控查询召回；三者独立但共同决定召回与成本。
-
【AI 核心深度 M7-035】解释 GPU 加速的 ANN（如 CAGRA）与硬件协同（Explain GPU-Accelerated Approximate Nearest Neighbor Search (e.g., CAGRA) and Hardware Co-Design）深度数理推导与工程落地解析
把图搜索放到 GPU 上并行（CAGRA）；适合高吞吐低延迟场景，但受显存与数据规模限制。