Recommender Systems

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 filtering

Pre-Ranking

用更轻的模型做候选压缩，为精排节省算力预算。

Utility estimation

Ranking

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 construction

Re-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。

Measurement

Metrics

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 items

Cold 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

1. 先看 Retrieval -> Ranking -> Re-Ranking，建立完整漏斗心智模型。
2. 再回来看 Pre-Ranking，理解为什么线上系统必须做分层计算。
3. 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

• Retrieval Overview
• DSSM
• Deep Retrieval
• Ranking
• MMOE
• Video Ranking
• Re-Ranking
• Metrics
• Cold Start Traffic

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。

The Feedback Loop

01Observe

从曝光、点击、停留、转化和负反馈中构造学习信号。

02Predict

估计相关性、价值和风险，并处理多目标之间的冲突。

03Compose

在规则、多样性、预算和页面体验约束下生成最终结果。

04Experiment

通过离线诊断和在线实验验证长期用户与平台价值。

Evaluate Each Stage

阶段	主要目标	常见指标
Retrieval	覆盖潜在相关内容	recall、coverage、freshness
Pre-Ranking	低成本保留高价值候选	recall loss、latency、FLOPs
Ranking	准确估计多目标价值	AUC、NDCG、calibration
Re-Ranking	构建整体页面体验	diversity、constraint satisfaction
Online	验证真实长期价值	CTR、CVR、retention、revenue