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）
