招聘联系方式：
整体架构图：
召回：
索引召回： 依据画像结果做 精准id 如 感兴趣歌曲 创作者召回
泛社交召回： 社交关系 关注 社团等
模型召回
粗排层：
粗排模型-模型蒸馏？
召回模型迭代过程（四类方法）：
共线性： 利用共线性得到相似关系
向量化： 矩阵分解 以及 item2vec 利用序列关系去生成 item向量
深度表征： 仍然是向量化（不仅利用序列特征，还用到了user，item本身特征）YoutubeDNN 以及DSSM
因果纠偏：针对bias问题 负样本选择 反事实镜像人群
私域流量和公域流量？
主要在deepfm的基础上改进：
deepfm 要求 fm中 不同特征要求embedding维度相同 KFM可以自定义宽度 （二阶特征交叉）
muti-head attention 学习特征与特征之间的重要性
cgc、ple 相关知识
粗排模型的设计以及 多样性保证 两方面内容
全民k歌是一个非常大的ugc平台 级联架构
粗排存在的必要性：
· 防止召回到精排的漏斗过大 · 相较于召回，更强调排序（目标约束） --------- 召回内部没有排序 一种策略 召回许多条目 此时 粗排可以有打分 · 相较于精排，更强调性能（算力约束） --------- 精排无法处理较大规模的候选集
可以针对不同策略的召回有统一的打分 （对不对不确定 是一种思路）
目前的两种思路：
ROUTE1 从召回的角度：集合选择方案 最大问题- 目标不一致 各个环节目标不一致
ROUTE2 从排序的角度：排序预估方案 表达能力强，目标对齐程度高
route2 双塔模型结构：
双塔优缺点：
引出模型蒸馏： Transfer Learning with Soft Labels （0-1之间的连续值）
其中上面的是Teacher模型，复杂的模型，下方的student模型，简单
预训练好的teacher网络输出 一个 logits， student网络不仅要拟合真实label， 还要拟合logits（soft labels）
（相当于 teacher对子网络的学习加了指导以及约束）
分为模型蒸馏 和 特征蒸馏 ：
之前双塔无法做到 特征交叉 使用模型蒸馏 即引入更复杂的模型 又在teacher网络中引入了交叉特征
teacher网络即 精排网络？使用精排模型来蒸馏 （目标一致性 以及 学习上限都有保证）
具体训练上线实践：
更多探索方向：
召回可能偏重于多样性 精排偏重于具体顺序 精准性 粗排如何衡量二者
目前常见的一些方案路线：
