推荐系统

冷启动问题是推荐系统领域的经典挑战，指新用户或新物品缺乏足够历史交互数据时模型无法有效推荐

推荐系统以大规模行为数据为训练信号，以点击率、转化率等指标为优化目标，且对单次推荐错误几乎不承担直接后果。

推荐系统的主流技术路径包括协同过滤、基于内容的推荐以及双塔召回、序列建模等深度学习模型。

该工作为实际应用中损失较小的场景（如推荐系统中用户兴趣集中）提供了更高效的隐私保护方案。

推荐系统通常依赖协同过滤（基于用户行为相似性）和内容特征（音频、元数据）来排序。

平台在排序模型中引入“来源可信度”或“人工创作置信度”等对抗性特征，可能来自上传行为模式、音频指纹的重复度、元数据模板化程度等。

批量上传的 AI 曲目可能通过刷播放、互推等方式伪造行为信号，从而污染纯行为排序。

视频中包含“政府武器”、“FBI心理折磨音频”等元素，这些内容处于平台灰色地带，不直接违反社区准则但可能触发推荐系统降权。

协同过滤是推荐系统中最经典的方法之一，其核心思想是相似的用户会有相似的偏好。

训练大模型、设计推荐系统、分析生态系统稳定性共享同一套数学骨架：网络结构、节点连接度、信息流动、涌现行为

传统推荐系统主要依赖行为数据（点击、停留、点赞），用户的显式反馈往往只有'不感兴趣'一个按钮。

自然语言接口本身也可能成为新的不透明层：用户不知道自己的描述被模型如何解读，也不知道兴趣列表在排序中占多大权重。

信息流里的内容通常分为自然内容（好友帖子、关注账号、推荐内容）和付费广告两类，广告排序有自己的目标函数（转化率、出价等），用户对自然内容的兴趣设置理论上不会自动传导到广告投放逻辑。

代理式商业与传统电商推荐系统的根本区别在于决策权的归属：传统推荐算法只影响用户看到什么，最终点击与购买仍由人完成；而代理式商业中，用户将偏好、预算和约束条件委托给代理，代理在授权范围内直接执行交易。

推荐系统通常依赖两类用户信号：隐式反馈（如停留时长、滑动速度）和显式反馈（如点赞、收藏、直接添加话题）。

传统推荐系统常采用批量离线更新模式，系统每隔数小时甚至一天重新训练或更新模型，用户反馈往往次日才生效。

Table Batched Embedding（TBE）是推荐模型训练中的基础算子，负责将稀疏 ID 特征映射为稠密向量，并支持跨多张 GPU、多个 embedding table 的批量查询。

推荐系统领域的反馈回路偏差（feedback loop bias）与模型崩溃机制高度同构，并已发展出去偏采样、对抗性探索等干预手段

电商平台的猜你喜欢、音乐软件的每日歌单、社交媒体的信息流排序背后都是与推荐系统同类的机器学习技术

在推荐场景中，模型通常用均方根误差RMSE衡量预测评分与真实评分之间的误差