qq_43042024的博客

在推荐系统中，样本流作为模型的基建至关重要，样本的组织形式通常与模型预估的目标的特点相关，包括PointWise、Parwise和Listwise的建模方式；一般主要是PointWise的模型居多，其次是Listwise的，Pairwise的模型相对较少。

推荐算法工程师作为AI算法工程师中诸多岗位中的一个，在互联网公司岗位数量普遍更多，尤其是在互联网大厂，推荐、广告和搜索场景的业务非常多，岗位也相对较多。传统的CV和NLP岗位在互联网公司主要是一些风控、打标签或者为推荐算法模型提供模态特征等工作，实际求职过程竞争也会更加激烈😭，岗位少但是求职者更多，人均顶会在手，更看重Paper的含金量。对个人的技术栈的全面性要求更高，但是对于模型的技术深度相比CV/NLP岗位来比，还是要浅薄一些，但是对个人的动手实践能力要求更高。

召回作为推荐庞大候选底池中捞取候选的入口，一个完整的推荐系统都是由多路召回组成，甚至一些大场景的召回路数几十上百路，每一路召回最终曝光的独占比非常低。从召回迭代初期来看，一般新增合理的召回通路都能带来新线上指标的提升。但随着召回通路不断增加，一是线上召回的机器资源压力激增，二是受边际递减的规律，新增召回的收益会越来越小，最终导致新增召回的 ROI（投入产出比）非常低。因此，召回的迭代路线主要包括新增合理的召回通路，在已有的召回通路上优化迭代，在多路召回每路的权重。新增合理的召回通路。

从算法侧的视角来看，我们通常看到的是推荐系统召回、粗排、精排和混排（重排）这样的漏斗链路，对应着一次推荐的请求下，从千百万的候选侧底池中一次“捞出”用户最感兴趣的几个候选。候选根据业务场景的指代有所不同，在广告业务下是广告计划，在电商业务下是商品，在推荐业务下是短视频等。

这篇摘要概括了数字广告投放的核心概念和关键指标。主要内容包括：广告计费方式（CPM、CPC等）、投放流程（展示、点击、转化）、效果评估指标（CTR、CVR、ROI）、平台技术（DSP、DMP、RTB等）以及价值计算（广告主价值、eCPM）。同时解释了频控、流控等投放策略，区分了不同广告交易模式（PMP、RTB）。重点强调了广告主价值是平台合理收费的上限，指出其与cost的区别，并说明预算限制可能导致实际收费低于广告主价值。这些概念构成了数字广告投放的基础框架和评估体系。

How to Apply Causal ML to Real Scene Modeling？How to learn Causal ML？Github项目地址：👉https://github.com/JackHCC/Awesome-Uplift-Model👈👉https://github.com/JackHCC/Awesome-Uplift-Model👈The most commonly used models for causal inference are Rubin Causal Model

更多细节参考项目：https://github.com/JackHCC/Rec-Modelshttps://github.com/JackHCC/Rec-Models📝 Summary of recommendation, advertising and search models.

搜广推作为互联网公司几大核心的业务，三个大方向的业务有很多技术共同点，但是彼此又有很多差别，那么推荐、广告和搜索对于算法工程师来说到底有什么区别呢？