《Wukong: Towards a Scaling Law for Large-Scale Recommendation》(Meta, ICML 2024) 的核心内容是**用堆叠因子分解机（Stacked FM）构建可"稠密扩展（Dense Scaling）"的推荐模型，并首次在推荐域验证跨两个数量级的 Scaling Law**。

保序回归是一种特殊的回归技术，它在寻找最佳拟合值时，附加了一个“顺序不能乱”的硬性规定。它非常适合用于处理那些理论上具有单调性，但实际测量数据中存在噪声或波动的数据，从而揭示出数据背后真实的、平滑的趋势。希望这个解释能帮助你透彻地理解保序回归！

摘要： Pointwise预估排序是学习排序三大范式之一，将排序问题转化为回归/分类任务，独立预测每个文档的绝对相关度分数后排序。其核心特点是单点独立评估，适用于召回/粗排阶段（如CTR预估），优势是实现简单、训练高效，但忽略文档间关系，目标与排序指标存在偏差。相比之下，Pairwise通过文档对比较优化相对顺序，Listwise直接优化列表级指标，分别适用于精排和重排阶段。工业中Pointwis

核心概念：为什么需要 `average`？各参数详解与应用场景总结与选择建议参数核心思想适用场景对类别不平衡的敏感性​​'binary'​​只看指定的一个类​​仅限二分类​​​​'micro'​​​​平等看待每个样本​​关心整体性能，尤其是大类的表现​​敏感​​（受大类影响）​​'macro'​​​​平等看待每个类别​​所有类别同等重要，关心小类的表现​​不敏感​​​​'weighted'​​​​