aibi1

摘要： 目录第一大类：隐式反馈行为（Implicit Feedback）—— 系统的基石第二大类：显式反馈行为（Explicit Feedback）—— 高质量的信号第三大类：序列行为特征（Sequence Behavior）—— 现代大厂的杀手锏为什么行为特征比“用户画像”更准？（核心本质）总结 在推荐系 阅读全文

摘要： 目录第一部分：总起（定基调）第二部分：分述 DNN 双塔（召回阶段）第三部分：分述 DIN（精排阶段）第四部分：总结升华（展现高级方法论） 面试官问这个问题，绝对不是想听一个死记硬背的数字（比如“64维”）。 他们真正想考察的是： 你是否清楚召回（DNN双塔）和精排（DIN）在工程架构上的核心差异。 阅读全文

摘要： 目录特征向量类型1. 离散特征（Discrete / Categorical Features）2. 连续特征（Continuous / Dense Features）特征向量如何拼接成 DDN塔向量1. 离散特征（Sparse Features） -> 转化为 Embedding 向量2. 连续特 阅读全文

摘要： 目录1. 为什么 Agent 内部还需要区分旅程？2. Agent 内部基于微观旅程的逻辑分层（实战设计）阶段 A：初入评估期（信息获取阶段）阶段 B：深入评估期（对比与匹配阶段）阶段 C：评估期尾声（顾虑与临门一脚阶段）3. 工程上如何实现这种内部逻辑切换？总结 绝对需要！这是一个非常高阶且切中要 阅读全文

摘要： 目录一、 对当前 Agent 划分的改进建议1. 探索/推荐 Agent（负责“从 0 到 1”的广度搜索）2. 导购/对比 Agent（负责“从 1 到 1”的深度钻研）二、 用户旅程如何与多 Agent 架构结合？1. 定义用户旅程的四个核心阶段2. 改造“协调者 Agent (Coordina 阅读全文

摘要： 目录第一步：为每个特征准备独立的 Embedding 矩阵第二步：User 塔的前向传播（把特征变成向量）第三步：计算损失（Loss）—— 训练的指挥棒第四步：反向传播，更新 Embedding（核心！）总结与工程经验建议矩阵的维度如何确定1. 核心原则：杀鸡不用牛刀（防止过拟合与浪费）2. 工业界 阅读全文

摘要： 目录问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？1. 离线/近线准备（Item 塔的工作）2. 在线实时召回（User 塔与 Milvus 的配合）💡 面试加分项（展现高级开 阅读全文

摘要： 目录1. 经典基线：DSSM (Deep Structured Semantic Model)2. 引入实时序列：YouTube DNN (召回版) / SASRec3. 解决“既要又要”：多兴趣召回模型 (MIND / ComiRec)4. 引入图网络：GraphSage / PinSage工业界 阅读全文

摘要： 目录设计思路V1.0 时代：你的抽象（基于规则和配置表）V2.0 时代：AI高级开发的抽象（基于模型与算法）1. 输入层（Input）：特征工程的实时化2. 大脑层（Processing）：从“查表”变成“模型打分”3. 输出层（Output）：AI Agent 动态生成总结特征向量设计 和召回一、 阅读全文

摘要： 目录总结一、 什么是强化学习？二、 强化学习是大模型训练的“终极杀器”吗？1. 为什么它看起来像“终极杀器”？（它的功劳）2. 为什么它不能算作“绝对的终极杀器”？（它的局限）强化学习使用场景1. 电商与内容推荐（如淘宝、抖音）—— 你的例子完全正确2. 自动驾驶（如特斯拉 FSD）—— 你的例子非 阅读全文