第一篇文章
一、序列特征处理方式
1：淘宝的类目体系中，有大类目、小类目（淘宝大类目和小类目怎么区分？有何运营技巧？-卖家网），在做推荐系统时，有个sim建模（search-based interest model），或者说是长序列建模时先需要根据类目来做hard search，就需要用到类目。对于大类目一般用二级类目来检索（没有得到官方说明，通过查看淘宝app中分类这个icon页中的信息，大类目可能会是食品、男装、女装这种，假如是女装的话，一二级类目举个例子为：上装->衬衫），小类目一般用一级类目来检索（奢品、车品这种，假如是奢品的话，一级类目为：女鞋女装、箱包配饰等）
2：类目检索序列，就是用上面的方法对“某某序列”进行检索，在体验业务的时候，这些序列应该有这几种，首先肯定用到的有：曝光序列（但是曝光序列一般不能直接用，会用负反馈方式来设计）、点击序列、购买序列、加购序列、搜索词序列（搜索词序列因为涉及到文本，而且非item序列，可以根据nlp方式先筛选出来相关的序列，比如bert，或者经典的word2vec，但是淘宝的搜索词经常有很多长词，怎么处理也是个设计点。这个过程耗时很多，一般不能直接使用，比如采用预处理的方式，在请求进行到精排时，除了user-fs、item-fs外，再并行单独一台链路来处理用户搜索词序列和精排item。这个博主也只是个设想，并没有见到实际应用过）。上面提到的这些序列都是全场景序列，具体到每个子场景中，比如猜你喜欢、详情页推荐中可能会在特征中加入自己子场景的序列
3: 精排：看一些文章中讲序列建模时，有下面这样的图，我理解首先对于点击序列是和预估item做了attention，其次对点击序列利用预估item做完类目检索后（假设点击序列是30长度，和预估item同类目的有13个，那么检索后的长度是13）也和预估item做了attention，这两个特征抽取是同时存在于模型中的
4：粗排不能像上面的精排一样，每个预估Item都做attention，因为粗排的数量是1万+，所以只能做self attention，用来高度抽取序列信息。要是做item_target_attention的话，性能怎么样都是扛不住的
首先有一个概念：不管离线模型结构怎么样设计，肯定是离线就做好user、item的向量，然后线上直接做查询+排序
如下图，左边结构是简单的“双塔模型”，任何团队在最开始迭代的时候都是这种做法，这里有一个稍特殊的做法:其中对序列特征做的是self attention，做完self_attention后把user作为了attention的query，首先对耗时没有什么影响，因为离线可以把这个结构加到模型中去，然后得到对应的向量（如果是离线做的话，就没有实时特征一说了）；其次这样一种attention结构对用户click seq做了加权，效果一般会好
可能是想拿到cate_attention这种收益(在精排上已经验证是很有效的，sim)，所以增加了左边这个结构，淘宝的用户体系在30亿左右，日活在3.5亿左右，不用对着3.5亿用户都存储在每种cate上的向量，只需要做过去N天（比如60天活跃），cate也是选择交互过的cate，这样做出来的kkv表，数据量就不是特别大了，可以满足线上性能，再把emb维度缩小点，这样性能会更好一点
博主这个专栏记录”沉浸式推荐算法“工作经验，博主先后做过推荐算法、搜索广告算法，现在从事”沉浸式推荐算法“也为咱们程序员做了一个专属的小程序：猿媛-程序员一站式服务，还没正式上线（也可以试着搜索，后面哪天
说不定就突然上线了），在开发内测中主要有技术博客、程序员行业短视频、行业热点、你的朋友圈、it公众圈、每个细分行业的论坛、
解决我们的老大难相亲问题、各大互联网公司的招聘、我们it人的专属好物...这些功能，
想要一起来做的加微信（微信名：ranksearch，或者扫下面的码），最好是加微信群，
大家一起商量来做（加微信拉你，或者扫下面的码），开发、产品设计、运营推广都可以。
博主这些自己都会，所以先开发上线+运营着，但是每个方向要是能有更专业的人来做肯定更好，
希望真的爱咱们这个行业的同事们能加入我们，一起做一些一个人做不到的事情！
二、多目标模型
1：淘宝app的种草行为，收藏、加购物车
2：淘宝的一跳、二跳，以猜你喜欢为例，选择一个商品后进行点击，这个过程是一跳
点击了上面这个item后，会进入下面这个页面（这个是淘宝现在有区别于之前的设计，从猜你喜欢、某些导购场景进去后，不会直接是这个item的详细信息，而是同类目的商品信息流；在京东app的猜你喜欢也有这个情况），进到这个页面再点击某些item的话，这个属于二跳
3: 讲解几个电商中常见的指标，以“猜你喜欢”这个为例
pv: 场景内，24小时里所有页面的访问量；ipv：仅仅是pv里面商品详情页的访问量（因为猜你喜欢第一次点击是同类目信息流格式，所以ipv也就是二跳的目标页面）；dpv可能是载有广告的pv
click是点击次数；pctr是预估item的ctr；uctr是用户的ctr（比如进入淘宝首页的用户量是3亿，从这里进入淘宝直播宫格的是1亿，那么uctr是0.33）；collect是收藏率；cart是加购物车率
grs是种草率（具体可以参考这个文章：5大经典排序算法在淘宝“有好货”场景的实践_阿里巴巴淘系技术团队官网博客的博客-CSDN博客）
CTR、IPV、GRS、CVR这四个指标连贯解释下：在猜你喜欢界面，选择某一个item后点击进去会进到一个同类目的信息流列表中，这个过程是CTR；再从这个列表中选择一个确切的item，点击进到详情页，称为IPV，也就是统计进入详情页的次数；GRS就是收藏、加购这两个种草指标；CVR就是最后的下单购买，也就是GMV
4：精排模型
上面第一部分讲了特征设计，这里的精排模型是在特征设计上面，由1个tower变成了n个tower，而且除了各自tower的全连接参数各自训练外，所有共享的参数只由ctr模型更新
分数混合公式
5：粗排模型
上面第一部分讲解了粗排模型的特征设计、双塔模型设计（分别得到两个user*item的结果，然后再相加作为结果）。因为是多目标要增加一个”种草分数“，基于原先的加购，两个user*item分别是”基础版内积“、”类目检索序列内积“，在增加一个”种草分数“时，就是复制这1个分数（因为”类目检索序列内积“可以复用，所以就只用复制”基础版内积“），将loss改成”种草loss“
