Deep Recommendation Models: 解释深度推荐中的长序列建模与两阶段检索（SIM）。

Core Concept: 用户历史可达数千条，注意力成本 ∝ 序列长度；SIM 先用'通用兴趣'粗筛 top-k、再精算注意力。

数学机理：<strong>长序列建模的困难</strong>——(1) <strong>规模</strong>——真实场景（电商/短视频）中用户历史可达<strong>数百到数千</strong>条；而 DIN 式的注意力需要对<strong>所有</strong>历史条目计算注意力（复杂度 O(L·d)）→ L 大时延迟不可接受。(2) <strong>截断的损失</strong>——最简单的做法是'只保留最近 N 条'；<strong>问题</strong>——(a) 丢失长期兴趣（半年前买过的东西可能仍相关）；(b) 对'复购/周期品类'不利。(3) <strong>SIM（Search-based Interest Model，阿里 2020）</strong> 的两阶段——(a) <strong>GSU（General Search Unit）</strong>——用<strong>廉价</strong>方法从全部 L 条历史中<strong>粗筛</strong>出与候选物品相关的 <strong>top-k</strong>（如 k=50~200）；方法有两种：(i) <strong>'硬'检索</strong>——用<strong>物品的类别/属性</strong>做匹配（如'候选是手机 → 筛出所有电子产品历史'）；(ii) <strong>'软'检索</strong>——用<strong>预计算的物品嵌入</strong>做 ANN（候选嵌入 → 检索最相似的历史条目）；(b) <strong>ESU（Exact Search Unit）</strong>——只对<strong>这 k 条</strong>做<strong>精确的注意力</strong>（DIN 式），得到用户表示；(c) <strong>复杂度</strong>——从 O(L) 降到 <strong>O(L_g + k)</strong>（L_g 为 GSU 的检索成本、k 为 ESU 的注意力成本）；(d) <strong>关键</strong>——GSU 用'廉价的相关性'替代'精确的注意力'（用'相似度'近似'注意力权重'）。(4) <strong>为什么有效</strong>——(a) 保留<strong>全部历史</strong>（不像截断）；(b) 只对'相关的少数'做精确计算（省算力）；(c) 实证上显著优于'截断'与'直接注意力'。<strong>其他长序列方法</strong>——(a) <strong>UBR4CTR</strong>（用聚类 + 线性注意力）；(b) <strong>ETA / SDIM</strong>（用'局部敏感哈希'做快速匹配）；(c) <strong>两阶段检索 + 序列模型</strong>（GSU + SASRec）；(d) <strong>分块 + 稀疏注意力</strong>；(e) <strong>分层聚合</strong>（先按类别聚合、再注意力）。<strong>与'序列推荐'的关系</strong>——(a) <strong>序列推荐（SASRec）</strong> 建模'顺序'（用自注意力）；(b) <strong>长序列兴趣建模（SIM）</strong> 解决'规模'（用两阶段检索）；(c) 两者可结合（GSU 检索 + 序列编码）。<strong>评估</strong>——(a) AUC/GAUC；(b) 延迟（长序列的关键）；(c) 与'截断基线'的对比；(d) k 的大小对效果与延迟的影响。<strong>实践建议</strong>——(a) <strong>历史很长（>200）</strong> → 用 SIM 类两阶段；(b) <strong>GSU 用'类别匹配 + 嵌入检索'</strong>（兼顾精确与泛化）；(c) <strong>k 按延迟预算调</strong>（50~200）；(d) <strong>与序列模型结合</strong>（顺序信息）；(e) <strong>对比'截断基线'</strong>（验证两阶段的价值）。<strong>度量</strong>——(a) AUC/GAUC；(b) 延迟（P99）；(c) k 的敏感度；(d) 与截断的对比。

深度剖析与工程权衡：① <strong>'真实历史很长、注意力成本 ∝ 长度'是长序列建模的根本困难</strong>——面试中能指出这一点（并给出'数百到数千条'的量级）是深度理解的标志。② <strong>'截断会丢长期兴趣'</strong>——尤其对'复购/周期品类'；故两阶段检索优于截断。③ <strong>'GSU 用廉价相关性替代精确注意力'</strong>——这是 SIM 的核心思想（用相似度近似注意力权重）。④ <strong>'复杂度从 O(L) 降到 O(L_g+k)'</strong>——这是可落地的关键。⑤ <strong>'与序列模型结合'</strong>——GSU 检索 + SASRec 编码；兼顾规模与顺序。⑥ <strong>面试要点</strong>——被问'用户历史很长怎么办'，应给出'<strong>两阶段（GSU 粗筛 top-k → ESU 精算注意力）+ 与截断基线的对比</strong>'与'<strong>截断会丢长期兴趣</strong>'；能给出复杂度对比是深度理解的标志。