推荐系统：召回、排序、反馈与冷启动

推荐是多阶段决策

召回从大量候选中找小集合；排序估计目标相关的分数；重排结合多样性、新鲜度、约束和权限。前一阶段漏掉的候选无法靠后一阶段恢复。推荐与 RAG 有相似管线，但推荐目标和用户反馈不能照搬问答正确率。

关键知识点

模块	核心机制	检查
内容推荐	使用物品属性与用户偏好	特征质量、相似内容过多
协同过滤	从用户—物品交互学习相似性	稀疏反馈、曝光偏差、冷启动
矩阵分解	用户与物品向量的内积近似交互	缺失反馈不是可信负标签；权重与采样需定义
深度/双塔表示	编码用户/物品用于检索与评分	更新同步、候选库覆盖与线上可用特征
排序评价	Recall@k、NDCG@k 与业务效果	候选全集、相关性标签、截断 k 保持一致
重排	多样性、约束、近期信息	不直接把单个模型分数当最终政策

未点击可能是未看到、位置不显眼或时机不合适，不一定是不喜欢。记录曝光和决策时点；负采样方法会影响训练与离线指标。

原创手算

用户向量为 (1,2)，两个物品向量分别为 (2,1)、(0,3)，内积为 4、6。这只是简化模型中的排序分数，不是点击概率，更不是推荐质量保证。

DCG 可采用增益 (2^相关性−1) 与对数位置折扣，也有直接用相关性值作增益的定义；scikit-learn 的 ndcg_score 使用后者。NDCG 以该查询的理想排序归一化。相关性全零时需要约定评价行为；不要把不同定义的分数混报。

练习与完成标准

为学习笔记推荐设计召回、排序和重排规则，写新用户与新笔记的冷启动策略。按时间划分交互，记录曝光、候选集合与 Recall/NDCG 口径；线上效果还需独立实验设计。这里没有访问真实用户数据或运行推荐系统。

复习问题

1. 未观察到的交互为什么不能直接当负例？
2. 排序再好为什么也补不了召回遗漏？
3. 离线点击预测为什么不等于线上因果收益？

阅读依据与核验范围

• 原始章节
• 原始章节
• 重排：新鲜度、多样性与公平
• doc/modules/model_evaluation.rst

2026-10-07：AI 助手协助原创整理并核对原始章节。示例、手算和练习由本站设计；未执行的任务不作为实验结论。