note

Lateral A

最终结论之：

1. 看播相关性融合类似于公共模型最后的一层SENet，不过用的是原始特征而不是泛化特征
2. 取消退出q横断的理由是：用户的后验播放时长满足了泊松分布，说明用户的在某个瞬时的退出行为近似随机，系统远未到考虑fatige的时刻，因此不要预测session内的退出
3. 后链路的增益来源归根到底是信号引入，比如二跳使用一跳的信号。
4. 链路的最后一层应该写一种混排模型而不是机制，否则前面约等于白费

---

Lateral B

1. 鞅性：在任意一个时刻：对未来的期望E{xj(j>i)}等于此刻的值xi
2. 伊藤过程：建模一个稳定的内核序列+维纳过程，维纳过程的一阶导带有sqrt(dt)项，因此对伊藤序列做二阶展开才是o(dt)的。
3. Black-Scholes模型：设f是伊藤过程，df满足无风险利率下的增长，根据dt联立左右，解出该二阶微分方程的通式解，具体的可变参数需要自行预估。
4. 为何收益用对数正态分布建模？1. 非负性 2. 复利本身是指数项，而复利满足随时间指数增长 / 可叠加
   、
   、
   、
   、
   、
   、
   、
   、
   、
   、
   、
   、
   、
   、
   BV1eCn9zLExc