aibi1

摘要： 目录1. 整体实现流水线（生产可用）Step A：识别这是“兼容/搭配”意图（Router）Step B：抽取结构化槽位（Slot Filling）Step C：Graph 检索（多跳推理）Step D：候选排序与业务过滤Step E：生成回答（LLM）2. 图谱（KG）怎么建：节点、关系、关键字段 阅读全文

摘要： 目录第一大类：隐式反馈行为（Implicit Feedback）—— 系统的基石第二大类：显式反馈行为（Explicit Feedback）—— 高质量的信号第三大类：序列行为特征（Sequence Behavior）—— 现代大厂的杀手锏为什么行为特征比“用户画像”更准？（核心本质）总结 在推荐系 阅读全文

摘要： 目录第一部分：总起（定基调）第二部分：分述 DNN 双塔（召回阶段）第三部分：分述 DIN（精排阶段）第四部分：总结升华（展现高级方法论） 面试官问这个问题，绝对不是想听一个死记硬背的数字（比如“64维”）。 他们真正想考察的是： 你是否清楚召回（DNN双塔）和精排（DIN）在工程架构上的核心差异。 阅读全文

摘要： 目录特征向量类型1. 离散特征（Discrete / Categorical Features）2. 连续特征（Continuous / Dense Features）特征向量如何拼接成 DDN塔向量1. 离散特征（Sparse Features） -> 转化为 Embedding 向量2. 连续特 阅读全文

摘要： 目录1. 为什么 Agent 内部还需要区分旅程？2. Agent 内部基于微观旅程的逻辑分层（实战设计）阶段 A：初入评估期（信息获取阶段）阶段 B：深入评估期（对比与匹配阶段）阶段 C：评估期尾声（顾虑与临门一脚阶段）3. 工程上如何实现这种内部逻辑切换？总结 绝对需要！这是一个非常高阶且切中要 阅读全文

摘要： 目录一、 对当前 Agent 划分的改进建议1. 探索/推荐 Agent（负责“从 0 到 1”的广度搜索）2. 导购/对比 Agent（负责“从 1 到 1”的深度钻研）二、 用户旅程如何与多 Agent 架构结合？1. 定义用户旅程的四个核心阶段2. 改造“协调者 Agent (Coordina 阅读全文

摘要： 目录第一步：为每个特征准备独立的 Embedding 矩阵第二步：User 塔的前向传播（把特征变成向量）第三步：计算损失（Loss）—— 训练的指挥棒第四步：反向传播，更新 Embedding（核心！）总结与工程经验建议矩阵的维度如何确定1. 核心原则：杀鸡不用牛刀（防止过拟合与浪费）2. 工业界 阅读全文

摘要： 目录问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？1. 离线/近线准备（Item 塔的工作）2. 在线实时召回（User 塔与 Milvus 的配合）💡 面试加分项（展现高级开 阅读全文

摘要： 目录1. 经典基线：DSSM (Deep Structured Semantic Model)2. 引入实时序列：YouTube DNN (召回版) / SASRec3. 解决“既要又要”：多兴趣召回模型 (MIND / ComiRec)4. 引入图网络：GraphSage / PinSage工业界 阅读全文

摘要： 目录设计思路V1.0 时代：你的抽象（基于规则和配置表）V2.0 时代：AI高级开发的抽象（基于模型与算法）1. 输入层（Input）：特征工程的实时化2. 大脑层（Processing）：从“查表”变成“模型打分”3. 输出层（Output）：AI Agent 动态生成总结特征向量设计 和召回一、 阅读全文