1 召回算法和業界最佳實踐進階

各種Embedding方法
各種k-means方法kdtree和kball樹

2 用戶建模（召回、排序都會用到）

預測用戶下一個瀏覽或者購買的類目，性別預測，年齡預測等。

3 用戶特征和Item特征的常用方法

Wrappers：一個一個試
Embedded：加入正則
Filters：feature-label相關性

• 連續型特征離散二值化
  離散化：等寬分桶（按值分），均勻分桶（按樣本數分），k-means
  二值化：要么該特征one-hot，或者three-hot
• 過程
  特征預排序通過信息增益IG，添加特征，細篩選特征
• 泛化和自解釋
  泛化是歷史記錄沒有的
  自解釋是有歷史記錄的
• 四種類型
  數值
  類別
  時間
  文本

4 主流技術方向思考及相應model的改進方案

講了一遍冷啟動

講了這三個算法

推薦流程概念 33：40

• 核心指標
  GMV：一定時間內的商品成交總額
  QPS
  RT：系統響應 < 0.1s
  優化排序：讓模型參數減少，層數減少，但是效果會降低，是tradeoff
  推薦和搜索有什么關系？
  1.推薦做的好，搜索的流量下降
  2.搜索這個工具是必要的
  推薦做的好 -> 用戶粘性，用戶留存 -> DAU GMV
  （短視頻/電影）推薦系統和電商推薦系統相比，區別是什么？
  視頻推薦多看重時長，電商推薦看是否購買
  量級的不同，存儲方式，計算量，算法都不同
• 核心業務
  首猜：首頁猜你喜歡
  詳情頁（相關推薦，播放頁，關燈頁）