语义ID（Semantic ID）是推荐系统中一种革命性的物品表示方法，它将传统的随机数字ID改造为具有语义含义的离散标识符。简单来说，语义ID就像是给每个商品或内容贴上一个"智能标签"，这个标签不仅能唯一标识物品，还能反映物品的核心特征和类别信息。特征传统随机ID语义ID表示形式随机数字（如123）离散码字序列（如[10,21,50]）语义信息无有层次化语义结构相似性表达无法表达相似性相似物品具

思路：逻辑回归:实质为Rn−>0,1R^n->{0,1}Rn−>0,1的映射，y=θTXy=\theta^TXy=θTXP(y=1∣x)=11+e−θTX=hθ(X)P(y=1|x)=\frac{1}{1+e^{-\theta^{T}X}}=h_{\theta}(X)P(y=1∣x)=1+e−θTX1​=hθ​(X)P(y=0∣x)=1−11+e−θTX=1−hθ(X)P(y=0

参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适

高数公式三角函数三角函数1.点火公式∫0πsinnθdθ=2∫0π2sinnθdθ\int_0^\pi sin^n\theta d\theta=2\int_{0}^{\frac{\pi}{2}}sin^n\theta\text{d}\theta∫0π​sinnθdθ=2∫02π​​sinnθdθ∫0π2sinnθdθ\int_{0}^{\frac{\pi}{2}}sin^n\theta\text{