排序02：Multi-gate Mixture-of-Experts (MMoE)

召回08：双塔模型——线上服务、模型更新

这节课的内容是推荐系统涨指标的方法。具体讲解如何通过改进召回模型（retrieval models）来提升推荐系统的核心指标。这节课的内容分三部分：双塔模型、Item-to-Item (I2I)、还有小众的召回模型（比如PDN、Deep Retrieval、SINE、M2GRL）。

这里是深大计软数据结构A+攻略~

这节课的内容是利用关注、转发、评论这三种交互行为给推荐系统涨指标。

这节课的内容是通过提升推荐物品的多样性为推荐系统涨指标。在召回、粗排、精排三个阶段，均有提升多样性的方法。在召回阶段，可以通过添加噪声、随机选取用户行为序列等方式提升双塔模型、I2I的多样性。在排序阶段，结合兴趣分数与多样性分数共同给候选物品排序。

这节课的内容是通过改进粗排和精排模型涨指标。这节课的内容分5部分：1. 精排模型的改进2. 粗排模型的改进3. 用户行为序列建模4. 在线学习5. 老汤模型

这节课和后面的几节课的内容是推荐系统涨指标的方法。这节课先回顾推荐系统的评价指标，尤其是LT7和LT30。后面的课程会分为5部分：1. 改进召回模型和添加新的召回模型。2. 改进粗排和精排模型。3. 提升召回、粗排、精排中的多样性。4. 特殊对待新用户、低活用户等特殊人群。5. 利用关注、转发、评论这三种交互行为来提升指标。

用户最近 n 次点击、点赞、收藏、转发等行为都是推荐系统中重要的特征，可以帮助召回和排序变得更精准。这节课介绍最简单的方法——对用户行为取简单的平均，作为特征输入召回、排序模型。

这节课的内容是物品冷启动 (item cold start) 中的召回。冷启动召回的难点是缺少用户交互，还没学好笔记 ID embedding，导致双塔模型效果不好。而且缺少用户交互会导致 ItemCF 不适用。