u014535908的博客

摘要： 推荐系统中，粗排和精排的设计目标存在本质差异：粗排侧重高效过滤（轻量模型、简化特征），快速筛选候选集；精排侧重精准排序（复杂模型、丰富特征），输出最终结果。两者关系应保持“核心趋势一致，细节适度差异”：粗排需覆盖精排的优质候选（通过模型蒸馏实现偏好对齐），同时允许效率驱动的合理偏差，由精排修正。过度追求相似性会导致效率损失或精度下降，合理分工才能实现“高效筛选+精准排序”的协同优化。

生成式推荐系统：从技术革新到工业落地 生成式推荐系统正通过大语言模型（LLM）实现端到端序列生成，替代传统级联架构，提升建模效率和效果。工业实践显示，快手、美团等企业已通过混合架构优化算力利用率（如训练MFU达23.7%），并解决冷启动、多样性等问题。技术瓶颈如推理延迟和可控性通过序列压缩、注意力优化逐步突破，但数据偏差和隐私问题仍需关注。未来方向聚焦多模态生成、具身智能和自进化系统，推动推荐系统向“个性化内容引擎”升级。生成式架构有望成为下一代推荐主流范式。

在机器学习中，数据能够决定模型效果的上线，模型只是在这之上锦上添花。因此数据特征的优劣对于最终的效果至关重要。本文乃是对于个人多年工作和学习所得的一点总结和认识，如果有什么不足和理解不到位之处，希望可以和业内大佬们一起讨论和交流。特征 define1：人或事物可供识别的特殊的象征或标志。特征：在机器学习上解释是建立在原始数据之上的特定表示，它是一个单独的可度量属性，通常用结构化数据集中的一列表示。特征工程：将原始数据转化为特征的过程，使得特征可以很好地测量或描述输入输出之间的内在关系特征开发流程复杂且繁琐，

简 介Tensorflow 是Google Disblief平台2015年开源的继续学习框架，深受学术界和工业界研究者和工程师们的欢迎。Tensorflow 2.x是Google 2018年开始开始迭代，2019年3月开始发布。Tensorflow 2. x 相比1.x 改进：默认Eager 运行模式： Eager 即命令行交互运行环境 删除 tf.contrib 库 ，高阶api 整合到tf.keras 精简api, 删除重复，去掉重叠api 去全局变量 autograph 加速模型.

算法简介：该算法是阿里的盖坤大神力作：Learning Piece-wise Linear Models from Large Scale Data for Ad Click Prediction，介绍了阿里广告的一个主要ctr预估模型Large Scale Piece-wise Linear Model (LS-PLM)，在2012年就开始使用，据说早期叫做Mixture of LR(MLR)...