M7-058M7: Retrieval, Ranking & RecSysRecommender Systems FoundationsHard
Mastery:

Recommender Systems Foundations: 解释推荐系统的召回通道设计(i2i / u2i / 热门 / 新品)。

📐 Mathematical Definition
channels: i2i, u2i, popular, new;quota by unique contribution\text{channels}:\ \text{i2i},\ \text{u2i},\ \text{popular},\ \text{new};\qquad \text{quota by unique contribution}
⚡ Executive Summary
Core Concept: 召回通道各有'信号来源':i2i(物品相似)、u2i(用户兴趣向量)、热门(流行度)、新品(新鲜度);配额按'独有贡献'分配。

📌 Key Takeaways

  • •
    i2i:基于物品相似(ItemCF/向量相似)——'看了又看'
  • •
    u2i:用户兴趣向量 → 物品(双塔/ANN)——'猜你喜欢'
  • •
    热门/新品/运营:非'相关性'通道(流行度/新鲜度/人工)

📐 Mathematical Derivations

数学机理:<strong>四类召回通道</strong>——(1) <strong>i2i(物品到物品)</strong>——基于'物品相似度':(a) <strong>ItemCF</strong>(共现相似度);(b) <strong>向量相似</strong>(物品嵌入的 ANN);(c) 应用——'看了又看'、'买了又买'、'相似商品';(d) <strong>优点</strong>——稳定(物品相似度不变)、可解释、无需用户历史(只要有'触发物品');(e) <strong>触发</strong>——用户的最近行为('刚看了 A → 召回与 A 相似的')。(2) <strong>u2i(用户到物品)</strong>——基于'用户兴趣':(a) <strong>双塔模型</strong>——用户塔编码用户(含历史/画像)→ 用户向量 → ANN 检索物品;(b) <strong>矩阵分解</strong>——用户隐因子 → 物品内积;(c) 应用——'猜你喜欢'、个性化推荐;(d) <strong>优点</strong>——个性化(对每个用户生成不同候选);(e) <strong>缺点</strong>——需用户历史(冷启动难)、双塔的表达力受限。(3) <strong>热门(popular)</strong>——基于'流行度':(a) 全局热门、分类热门、地域热门、时段热门;(b) <strong>作用</strong>——(i) <strong>兜底</strong>(用户历史少时);(ii) <strong>质量保证</strong>(热门通常质量不差);(iii) <strong>社交/趋势</strong>(大家都在看);(c) <strong>缺点</strong>——(i) 同质化(大家都推热门);(ii) 马太效应(热门更热)。(4) <strong>新品/时效(new/fresh)</strong>——(a) 新上架的物品、新发布的内容;(b) <strong>作用</strong>——(i) <strong>解决冷启动</strong>(新品需曝光机会);(ii) <strong>时效性</strong>(新闻/活动);(iii) <strong>生态健康</strong>(给新内容机会);(c) <strong>缺点</strong>——质量未知(需探索)。(5) <strong>其他通道</strong>——(a) <strong>运营/规则</strong>(促销、合规、人工干预);(b) <strong>社交</strong>(好友喜欢);(c) <strong>知识/图</strong>(关系);(d) <strong>多模态</strong>(图文/视频匹配)。<strong>配额分配</strong>——(a) <strong>按'独有贡献'</strong>——该通道能召回多少'其他通道召不到的相关物品';(b) <strong>按精度</strong>(precision@k);(c) <strong>按业务优先级</strong>(新品/促销需保证曝光);(d) <strong>动态调整</strong>(按用户/场景)。<strong>评估各通道</strong>——(a) <strong>独有召回</strong>(去掉该通道后总召回率下降多少);(b) <strong>精度</strong>(该通道的候选被点击的比例);(c) <strong>贡献度</strong>(该通道的候选在最终结果中占多少);(d) <strong>成本</strong>(延迟/算力)。<strong>为什么需要'非相关性'通道</strong>——(a) <strong>兜底</strong>(冷启动/长尾);(b) <strong>业务需求</strong>(新品曝光、促销);(c) <strong>生态健康</strong>(避免'只推热门');(d) <strong>多样性</strong>。<strong>实践建议</strong>——(a) <strong>至少 3~4 路</strong>(i2i + u2i + 热门 + 新品);(b) <strong>配额按独有贡献调</strong>;(c) <strong>监控各通道的贡献与成本</strong>(砍掉低效通道);(d) <strong>并行执行 + 降级</strong>;(e) <strong>去重 + 多路命中特征</strong>。<strong>度量</strong>——(a) 各通道独有召回;(b) 总召回率;(c) 各通道精度;(d) 端到端在线指标。

🏭 Production Trade-offs

深度剖析与工程权衡:① <strong>'独有贡献'是配额分配的核心依据</strong>——面试中能指出这一点是深度理解的标志。② <strong>'热门/新品是非相关性通道但必需'</strong>——兜底、业务需求、生态健康;故不能只按'相关性'设计通道。③ <strong>'i2i 无需用户历史'</strong>——只要有'触发物品'就能召回(适合'新用户但有行为'的场景)。④ <strong>'u2i 的冷启动难'</strong>——无历史的用户无法生成兴趣向量;故需热门/内容通道兜底。⑤ <strong>'砍掉低效通道省成本'</strong>——监控各通道贡献,低效的应砍掉(省算力与延迟)。⑥ <strong>面试要点</strong>——被问'召回通道怎么设计',应给出'<strong>i2i(物品相似)/ u2i(用户兴趣)/ 热门(兜底)/ 新品(生态)+ 配额按独有贡献 + 监控贡献与成本</strong>';能指出'非相关性通道的必要性'是深度理解的标志。
⚠️ Common Interview Pitfalls
  • ✕
    只做 u2i 通道(冷启动用户无召回)
  • ✕
    不做通道贡献监控(保留低效通道)
🎯 Interviewer Follow-ups
  • ?
    为什么需要'热门/新品'这类通道?
  • ?
    如何评估各通道的贡献?
📚

Associated Knowledge Base Guides & Mindmaps

Explore the comprehensive technical article, exam cards, and global architecture tree.

← PreviousM7-057: Recommender Systems Foundations: 解释推荐系统的评估指标与业务目标。📋Back to BankNext →M7-059: Deep Recommendation Models: 解释 Wide&Deep 的结构与动机。