Willowii的博客

（一般来说使用3或7天的历史数据作为训练数据，第4天或第8天的历史数据作为测试数据。

喂入元学习的基本数据不再是一条条样本，而是一个个Task。每个Task包含一个训练集（support set）和一个测试集（query set）。每个任务训练好模型后，测试得到该任务的loss（这被称为任务内学习）。所有任务的loss之和是总损失，这用到了一个batch内的所有数据，被称为跨任务学习。Meta Learning示意。

多场景指的是在不同的应用场景或用户交互环境中进行推荐。1、在同一个视频APP中，单列模式（比如抖音，一屏之内只有一个视频，通过上下才能切换）和多列模式（youtube中一屏可以显示多个视频），用户的行为模式存在显著差异。2、一个提供全球服务的APP，在不同国家的用户行为模式也存在显著差异。3、同一个APP内根据生命周期不同的用户，推荐系统的应对策略也不一样。

多任务Multi-Task，有时也被称为多目标Multi-Objective建模。比如说电商场景下，希望曝光的物料被多多点击，还希望商品被下单购买，因此同时建模三个目标：曝光到点击CTR，点击到购买转换率CVR，曝光到购买的概率CTCVR。

从一个集合Z中抽取出任意子集的概率分布被叫做点过程。随机点过程示意建立一个重排模型，输入的是整个精排筛选出的N个物料，评估的是物料在其上下文环境中被用户选中的概率。这被称为基于上下文感知的排序学习（Context-aware Learning-To-Rank)。

知识蒸馏涉及两个模型：teacher模型和student模型。知识蒸馏的意义在于取长补短。teacher模型，相对来说比较复杂，喂入了更多特征，表达能力更强。student模型，相对来说比较简单，loss主要由两部分组成：①拟合真实目标y。②拟合teacher模型的输出。最后优化目标是，两部分loss通过加权平均后的结果最小。

FM主要应用于采用与用户正向交互过的样本。，一个是随机采样，一个是曝光但未点击的负向物料。，因此正负样本中热门物料参与度都不小，为了确保推荐结果的，对采取不同的热门物料打压策略。

向量化召回Embedding-based Retrieval，是将召回问题建模成向量空间内最近邻搜索问题。哪些q向量（表示用户向量）和t向量（表示物料向量）在向量空间中的距离应该相近。喂入召回模型中的负样本主要依靠随机采样。负样本在召回中地位非常重要。Word2Vec的目标是每个单词都能学习到表征其意义的稠密向量，也就是Word embedding。

用户行为序列是推荐系统中最重要的一类特征，比如用户的点击序列、观看序列等等。

在利用深度学习进行精排之前，主要使用(linear regression）技术。

在和的背景下，推荐系统能够实现在线实时训练，追踪用户和物料的最新状态，依靠的是。

共享Embedding是指在深度学习模型中，不同的输入特征或不同的特征域（Field）使用相同的Embedding矩阵。

将概念自动拆解为特征向量。

通常指的是那些在数据集中可能引起模型预测偏差的特征。这些特征可能与目标变量存在某种关联，但它们不一定代表真实的因果关系。

2、物料Item：推荐系统要推荐的信息。3、依赖的最重要的特征不同：搜索依赖查询语句与物料信息的交叉，推荐依赖用户信息和物料信息的交叉。2、即时性不同：推搜目标完成的即时性较强，比如点击率等。特点：功能架构中越靠前的面对的候选集越大，对速度要求越高，对精度要求稍松。3、目标不同：推搜要求留住用户、产生流量，广告要求流量的变现。1、准确性要求不同：推搜要求相对准确，广告要求绝对准确性。1、用户User：推荐系统的服务对象。2、准确性不同：搜索对准确性要求更严。3、主要目标：提供用户需要的信息。