（Multi-Task Learning, MTL）通过联合优化多个相关任务，在推荐系统中实现用户体验与商业目标的协同提升。本文为funrec推荐系统学习笔记，整合自己的理解和网络其他资料写成。

本篇为阅读funrec的读书笔记，融合网络资料与自己的理解写成。

阿里天池新闻推荐赛练习，如有错误欢迎交流。

给你二叉树的根节点root，返回其节点值的。（即逐层地，从左到右访问所有节点）。

POSO-MHA：在处理用户浏览记录时，给新用户和老用户分配不同的 “注意力方向”，新用户重点看内容是否新颖，老用户重点看是否符合历史喜好。MeLU的核心思想是将每个用户的偏好学习视为一个独立的学习任务，通过元学习框架训练一个能够快速适应新用户偏好的推荐模型。核心就是给新老用户 “分开定制” 推荐逻辑，避免新用户的需求被老用户的数据 “带偏”。

核心目标是从候选物品中选择一个子集，使得核矩阵（融合了相关性和多样性）的行列式值最大，使用的贪心策略：每次挑一个能让当前推荐列表变得更好（更相关且更多样）的物品，逐步凑出最优推荐结果，这里用到了数学技巧（Cholesky 分解）降低了 DPP 求解的复杂度。

本文为funrec推荐系统学习笔记，整合自己的理解和网络其他资料写成。将用户历史看作一个动态的序列。

向量召回：i2i召回、u2i召回，自留使用，欢迎交流。

不足：每个 worker 必须同时存储并运行的各个 micro-batch 的激活值，导致流水线第一阶段的激活内存与单个 mirco-batch 的总激活内存大致相同。流水线并行的核心思想是：在模型并行的基础上，进一步引入数据并行的办法(将模型的各层划分为可以并行处理的阶段)，即把原先的数据再划分成若干个batch，送入GPU进行训练。优势：流水线并行减少的显存与流水线的阶段数成正比，这使模型的大

考虑vscode版本/codex版本不匹配，均升级到最新版本尝试。