Recommender System
5/10/26About 2 min
Recommender System
推荐系统这部分按照工业链路来组织，而不是按算法名堆页面。核心问题始终是同一个: 在有限曝光位里，把“对用户有价值、对平台有收益、对系统可控”的内容排出来。
Pipeline View
Candidate generation
Retrieval
从海量内容里快速捞出一小撮候选，重点在召回通道和覆盖率。
Fast filteringPre-Ranking
用更轻的模型做候选压缩，为精排节省算力预算。
Utility estimationRanking
用更强的模型预测点击、时长、转化等目标，并完成多目标融合。
Page constructionRe-Ranking
控制多样性、规则约束、广告插入与整页体验，是离业务最近的一层。
MeasurementMetrics
把 DAU、留存、时长、CTR 等指标放在同一张北极星图里理解。
New users and itemsCold Start
当用户或内容没有历史行为时，系统如何安全起步并尽快学到偏好。
Suggested Reading Order
- 先看
Retrieval -> Ranking -> Re-Ranking，建立完整漏斗心智模型。 - 再回来看
Pre-Ranking，理解为什么线上系统必须做分层计算。 - 最后看
Metrics和Cold Start，把建模目标与业务目标接起来。
What This Section Focuses On
- 工业推荐链路，而不是纯学术 benchmark。
- 多目标优化和整页效率，而不是单一 CTR。
- 离线训练、在线实验、AB 测试这一整套闭环。
- 与搜索、广告、生成式模型的交叉点。
High-Value Links
Adjacent Topics
Search和推荐共享retrieval + ranking的系统骨架，但 query 明确、用户意图表达方式不同。LLM for Rec更像是在已有推荐链路上加入生成式建模，而不是彻底替代漏斗结构。