知识卡片

普通读书笔记卡 · 9808 · 生成模型:DeepSeek-V4.1-Flash

三者共用一套技术骨架

理解等级:高级

把搜索、推荐、广告当成三个行业来看,会看到三套术语、三套指标、三套团队;把它们当成同一类问题来看,看到的是同一条流水线:先理解输入(查询或用户画像),再从海量候选里召回一小批,然后排序,最后评估并迭代。

差别落在目标函数上:搜索要对用户当下表达的需求给出答案,推荐要在用户没表达时猜出兴趣,广告要在满足前两者约束的同时对商业收益负责。目标不同,样本构造、特征侧重与评价口径就不同,但召回—排序的骨架、特征工程的方法、排序学习的算法、离线与在线评估的配合方式是共用的。

这个视角的实际价值在于迁移成本:在搜索里练熟的查询理解、多路召回、排序模型与 NDCG 评估,换到推荐或广告场景时不需要重建方法论,只需要替换目标与样本定义。反过来,如果按行业分家学习,很容易把「广告为什么要 CTR 预估」当成特例记住,而看不出它和搜索排序是同一件事的不同约束。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 前言 · 查看原书依据

      本书将搜索、推荐和广告的核心技术进行了完美统一,介绍了搜索和推荐方面的相关知识,并把自然语言处理、机器学习和深度学习的一些知识点应用到搜索和推荐场景。

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》前言(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0004.html) - 结论依据:前言在「本书特色」中明确把统一三者同质技术列为核心目标,并逐条列出统一搜索/推荐/广告技术、把 NLP 与机器学习模型嵌入搜索推荐场景这两项具体做法,支撑「同一骨架、不同目标」的判断。 - 原始内容:本书将搜索、推荐和广告的核心技术进行了完美统一,介绍了搜索和推荐方面的相关知识,并把自然语言处理、机器学习和深度学习的一些知识点应用到搜索和推荐场景。