7M推荐系统 - S2 内部推荐和排序架构

1 召回算法和业界最佳实践进阶

各种Embedding方法
各种k-means方法kdtree和kball树

2 用户建模（召回、排序都会用到）

预测用户下一个浏览或者购买的类目，性别预测，年龄预测等。

3 用户特征和Item特征的常用方法

Wrappers：一个一个试
Embedded：加入正则
Filters：feature-label相关性

• 连续型特征离散二值化
  离散化：等宽分桶（按值分），均匀分桶（按样本数分），k-means
  二值化：要么该特征one-hot，或者three-hot
• 过程
  特征预排序通过信息增益IG，添加特征，细筛选特征
• 泛化和自解释
  泛化是历史记录没有的
  自解释是有历史记录的
• 四种类型
  数值
  类别
  时间
  文本

4 主流技术方向思考及相应model的改进方案

讲了一遍冷启动

讲了这三个算法

推荐流程概念 33：40

• 核心指标
  GMV：一定时间内的商品成交总额
  QPS
  RT：系统响应 < 0.1s
  优化排序：让模型参数减少，层数减少，但是效果会降低，是tradeoff
  推荐和搜索有什么关系？
  1.推荐做的好，搜索的流量下降
  2.搜索这个工具是必要的
  推荐做的好 -> 用户粘性，用户留存 -> DAU GMV
  （短视频/电影）推荐系统和电商推荐系统相比，区别是什么？
  视频推荐多看重时长，电商推荐看是否购买
  量级的不同，存储方式，计算量，算法都不同
• 核心业务
  首猜：首页猜你喜欢
  详情页（相关推荐，播放页，关灯页）