0:000:00
<p>虽然拖更，但是没有消失… 还是一期技术向的入门科普。这次我们来聊一聊”推荐算法”：如果你有点好奇抖音/小红书这样的平台是怎么猜你喜欢的，复杂的推荐系统实际又是如何实现的，那么本期正好适合推荐给你！</p><ul> <li>召回、粗排、精排、重排</li> <li>协同过滤</li> <li>双塔模型</li> <li>LLM助力推荐算法</li></ul><p>主播带伤录音，嗓子抱恙，请大家多多担待~</p><p>主播：松阴</p><p>节目开始前，请大家加入听友群(加群方法见播客介绍页)，以及帮忙多多转发！</p><p>02:01 推荐系统的构成：召回、粗排、精排、重排</p><p>07:32 国内app的推荐好像做得比国外的好</p><p>09:55 协同过滤</p><p>10:29 基于物品的协同过滤 item CF</p><p>13:47 点赞收藏投币转发… 怎么刻画用户对物品的喜欢程度？</p><p>15:01 如何计算物品相似读：余弦相似度</p><p>18:00 基于用户的协同过滤 user CF</p><p>20:10 热门内容和冷门内容，不可一视同仁</p><p>24:42 embedding！用户特征+物品特征</p><p>27:10 双塔模型</p><p>30:05 双塔模型既可以用于召回，也可以用于排序</p><p>32:00 双塔模型是如何做线上召回的？向量数据库+ANN</p><p>35:06 为什么用户表征需要在线计算？物品表征则只需离线计算？</p><p>37:16 大模型来了</p><p>一些硬核的学习资料</p><p><a href="https://space.bilibili.com/1369507485/channel/collectiondetail?sid=615109">小红书推荐系统专家王树森的推荐公开课</a></p><p><a href="https://research.netflix.com/research-area/recommendations">Netflix的推荐系统</a></p><p><a href="https://github.com/datawhalechina/fun-rec/blob/master/docs/ch02/ch2.1/ch2.1.2/DSSM.md">经典双塔...