推荐系统整体框架由召回、粗排、精排、每次用户刷新页面，都会产生一个重新从数据库拿数据的流程。在这个流程中，包括召回、粗排、精排和重排四个阶段。其中召回会从数据库中使用多个召回通道，从而拿回相当的数据。这些数据先粗排后精排。在粗排过程中，会给每一个物品/评价进行打分，然后再进一步精排，最后插入广告，来进行最后一步的重排。（排序意味有相应的关键字用来比较，这里的排序常常是指，用模型去计算结果，然后按结

MMOE是指Multi-gate Mixture-of-Experts注意看Expert后面加了s，说明了有多个专家。而在MMOE中专家是指用来对输入特征计算的神经网络，每个神经网络根据输入计算出来的向量都会有所不同。

由于序列过大会造成运算次数的增加，而固执地采用后N个则会无法保持长期兴趣的数据，所以可以在保证序列长度固定的前提下，对N个挑选出来的对象进行操作。物品ID通过Embedding将会得到一个向量，性质差不多的向量在空间中也会处于差不多的位置，可以用取平均方式得到一个综合所有向量的向量。而这个所占的重量/占比，是需要和要查询的候选向量进行比较来得出，也就是所谓的相似度，相似度越大，受其影响也会越大。所

因为推荐链路包括召回、粗排、精排和重排四个阶段，每个阶段都可以尝试新的模型，也可以说每个阶段可以由不同的部门进行负责，而每一个部门都可以提出使用A/B测试的请求（领走一批用户作为测试），所以有可能用户是不够用的。其中小流量是指对部分的用户先尝试改进的算法模型，而非全部。若为全部，如果算法模型存在问题，可能会导致用户体验差，导致用户流失，而小流量的损失代价相对小。互斥，不要同时对同一层的同一批/桶用

补码的一位大小的乘法。

第二步，刚开始这些点并没有图的编号（有session_id,但并不是一个方便建图的编号），于是可以采取按某一个关键字进行排序的方法，按大小给图上的节点进行重新编号。表示的是某次会话下的某个操作，category代表购买情况，其中0代表未购入，1代表购入。考虑复用性的话，记得将构造出来的数据集进行保存。应用场景：数据集过多，抽取部分数据进行观察。可以选取出列表/集合中的其中一项。表示的是某次会话的编

而这就相当于矩阵内同一个元素做了两次归一化，于是可以将度矩阵开个方（将对角矩阵开方是可以做到的）此时可以再邻接矩阵的基础上，再加上一个单位阵，从而使得最终的结果包含自身对整体的贡献。左乘度矩阵的逆只是对行向量做归一化。于是需要右乘上一个矩阵对列向量做归一化。由于邻接矩阵中一般不会（i,i）等于1，除非第i个点上有自环。而如果用邻接矩阵去乘上特征矩阵，那么将丢失自身向自身的贡献。也就是说需要再做一个

回归是用x去拟合出函数出来，而自回归是用之前的y去拟合出函数。

比如餐馆老板根据顾客的身板来打饭。如果常来的顾客的身板小，餐馆老板给这些顾客打饭的量就小了，此刻再来一个彪形大汉，但餐馆老板仍旧给这个彪形大汉大汉打了一碗小米饭，这就说明餐馆老板的泛化能力很弱。泛化能力是指适应训练集的情况下，对新数据仍旧存在的判断能力。

将每一个样本点的误差（真实值减去预测值）平方求和，然后取平均。