Tag: recommender-systems-foundations
-
【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）。
-
【AI 核心深度 M7-053】解释矩阵分解与隐因子模型（Explain Matrix Factorization (MF) and Latent Factor Models in Collaborative Filtering）深度数理推导与工程落地解析
把用户-物品评分矩阵分解为’用户隐因子 × 物品隐因子’；用内积预测评分，用 ALS/SGD 优化。
-
【AI 核心深度 M7-054】解释隐式反馈与显式反馈的差异与处理（Explain the Distinctions Between Explicit and Implicit Feedback and Methodologies for Implicit Data (iALS)）深度数理推导与工程落地解析
显式是评分/点赞（有负例、但稀疏）；隐式是浏览/点击（无负例、稠密）；隐式需’负采样’与’置信度加权’。
-
【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。