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！
- 召回、粗排、精排、重排
- 协同过滤
- 双塔模型
- LLM助力推荐算法
主播带伤录音，嗓子抱恙，请大家多多担待~
主播：松阴
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！
02:01 推荐系统的构成：召回、粗排、精排、重排
07:32 国内app的推荐好像做得比国外的好
09:55 协同过滤
10:29 基于物品的协同过滤 item CF
13:47 点赞收藏投币转发… 怎么刻画用户对物品的喜欢程度？
15:01 如何计算物品相似读：余弦相似度
18:00 基于用户的协同过滤 user CF
20:10 热门内容和冷门内容，不可一视同仁
24:42 embedding！用户特征+物品特征
27:10 双塔模型
30:05 双塔模型既可以用于召回，也可以用于排序
32:00 双塔模型是如何做线上召回的？向量数据库+ANN
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？
37:16 大模型来了
一些硬核的学习资料
小红书推荐系统专家王树森的推荐公开课)
Netflix的推荐系统)
经典双塔模型)
