推荐系统
推荐系统（十六）—— 工业级架构与最佳实践
工业级推荐系统全景：数据/训练/服务三大平面，召回-粗排-精排-重排序四级漏斗，多路召回与融合，Wide&Deep/DeepFM/DIN 排序模型，特征仓库消除训练-服务偏差，A/B 测试方法论，金丝雀发布与回滚，团队角色分工。结合 YouTube、TikTok、淘宝、字节跳动等真实架构。
推荐系统（十五）—— 实时推荐与在线学习
实时推荐的工程师视角：流式管道（Kafka + Flink）、在线学习（SGD、FTRL、AdaGrad）、Bandit（UCB、Thompson Sampling、LinUCB）、延迟预算、特征新鲜度、概念漂移检测，以及生产环境真正在调的缓存与计算权衡。
推荐系统（十四）—— 跨域推荐与冷启动解决方案
深入讲清冷启动与跨域推荐的整套打法：三种冷启动场景、EMCDR/PTUPCDR 跨域桥接、MeLU/MAML 元学习、UCB Bandit 探索利用，以及从冷到温的完整线上路由策略。
推荐系统（十三）—— 公平性、去偏与可解释性
可信推荐的实战深读：七类偏差（流行度/位置/选择/曝光/从众/人口/确认）的来源与度量；因果推断（RCT、IPS、双重稳健）如何把有偏日志变成无偏信号；MACR、DICE、FairCo 等业界主流去偏方案；LIME、SHAP、反事实解释的工程取舍。
推荐系统（十二）—— 大语言模型与推荐系统
LLM 如何重塑推荐系统：增强器（P5、M6Rec）、预测器（TallRec、GenRec）、智能体（LlamaRec、ChatREC）三种角色，混合管线、冷启动突破、Prompt 设计与成本/质量帕累托前沿。
推荐系统（十一）—— 对比学习与自监督学习
对比学习在推荐系统里到底怎么用？这一篇把 InfoNCE、温度系数、SimCLR/MoCo 的负样本来源、SGL 的图增广、CL4SRec 的序列增广、XSimGCL 的极简噪声扰动讲清楚，配 PyTorch 实现与原理图。
推荐系统（十）—— 深度兴趣网络与注意力机制
从 DIN 的目标注意力到 DIEN 的 AUGRU、再到 BST 的 Transformer——阿里巴巴是怎样让 CTR 模型像主厨读懂客人那样读懂用户行为的。
推荐系统（九）—— 多任务学习与多目标优化
线上推荐从来不是优化一个数。本文从样本选择偏差、负迁移、梯度冲突这些真实痛点出发，把 Shared-Bottom、ESMM、MMoE、PLE 四种工业级架构讲透，配上完整 PyTorch 代码、损失平衡策略与可上线的训练流水线。
推荐系统（八）—— 知识图谱增强推荐系统
知识图谱增强推荐系统全面解析：知识图谱嵌入（TransE/TransR/DistMult），RippleNet 涟漪传播，KGCN 图卷积，KGAT 注意力网络，CKE 多信号融合，附完整 PyTorch 实现。
推荐系统（七）—— 图神经网络与社交推荐
图神经网络推荐系统全面解析：从消息传递的直觉出发，深入 GCN、GAT、GraphSAGE，再到工业级 PinSage、LightGCN、NGCF、社交推荐与图采样、冷启动处理。配 7 张图与完整 PyTorch 实现。
推荐系统（六）—— 序列推荐与会话建模
序列推荐方法全景：从马尔可夫链、GRU4Rec、Caser，到 SASRec、BERT4Rec、BST、SR-GNN，讲清模型动机、关键公式与实现细节，并用图示对比性能与代价。
推荐系统（五）—— Embedding表示学习
推荐系统 Embedding 技术全解：从 Word2Vec、Item2Vec、Node2Vec 到双塔 DSSM 与 YouTube DNN，再到负采样策略与 FAISS/HNSW 近邻检索的工程实践。每节配有可运行的 PyTorch 代码、关键设计权衡与生产经验。
推荐系统（四）—— CTR预估与点击率建模
CTR预估模型全面解析：从Logistic Regression到FM/FFM，再到DeepFM、xDeepFM、DCN、AutoInt、FiBiNet等深度学习模型，附PyTorch实现与训练策略。
推荐系统（三）—— 深度学习基础模型
从 MLP 到 Embedding，再到 NeuMF、YouTube DNN、Wide & Deep —— 用渐进的方式讲清深度学习推荐系统的每一块基石，附经过原文核对的架构图和可直接运行的 PyTorch 代码。
推荐系统（二）—— 协同过滤与矩阵分解
深入讲解协同过滤与矩阵分解：User-CF、Item-CF、相似度度量、潜因子模型、SVD++、ALS、BPR、因子分解机，附直觉解释、推导和可运行 Python。
推荐系统（一）—— 入门与基础概念
推荐系统入门指南：三大范式（协同过滤、内容推荐、混合推荐）、评估指标（Precision、Recall、NDCG）、生产级多阶段漏斗架构，以及冷启动、稀疏性、长尾分布等核心挑战，附可直接运行的 Python 实现。