天下熙熙，皆为利来
这世道好生奇怪，不分青红皂白，只讲利益好坏，善心被骂，良心被耍，真心被诈，好心被踏。 人也好奇怪，平行的两只眼睛，却不平等的看人，左右两只耳朵，却只听信一面之词，只张一张嘴，却总能说出两面话来。他们拼命把愤世嫉俗，染成同流合污。 分赃不均狗咬狗，槽里无食猪拱猪。 这世上还尽是些不做人事，不讲人话，不长人心的人皮畜生
天下熙熙，皆为利来
这世道好生奇怪，不分青红皂白，只讲利益好坏，善心被骂，良心被耍，真心被诈，好心被踏。 人也好奇怪，平行的两只眼睛，却不平等的看人，左右两只耳朵，却只听信一面之词，只张一张嘴，却总能说出两面话来。他们拼命把愤世嫉俗，染成同流合污。 分赃不均狗咬狗，槽里无食猪拱猪。 这世上还尽是些不做人事，不讲人话，不长人心的人皮畜生
不患寡而患不均
全球变暖，冰川融化，导致北极熊🐻❄️的落脚点越来越少了，呼吁我们大家一起节能减排，保护北极熊。 但是，你需要知道，全世界最富有的10%的人，带来了全球50%以上的二氧化碳。买不起房，买不起车，舍不得开空调的我，却要承担全球变暖的责任。 不提倡吃鱼翅，但是我唯一一次看到鱼翅，是在宣传拒绝吃鱼翅的广告里。 有钱人恒温泳池24h的用电量，比我们家一个月用电量还要多。 所以既然财富不能平摊，为什么他们的罪恶需要平摊呢？ 10%的人，控制着90%的财富和资源，而90%的人消耗的资源，比不上这10%的人的浪费。结果这10%的人，却要让90%的人去减少消耗，以供他们自己可以多浪费几天。 享受的人在享受过后，把罪恶平摊在了没有享受的人身上，反而还需要让这这些没有享受的人去反思 我反思什么，我只是平凡的生活，我只是个普通人，什么都没有做，为什么这些都是我的错呢？ 古人云：“不患寡而患不均”，究竟是谁让这些北极熊没有落脚点的，是谁让我在这个城市没有落脚点的呢
不患寡而患不均
全球变暖，冰川融化，导致北极熊🐻❄️的落脚点越来越少了，呼吁我们大家一起节能减排，保护北极熊。 但是，你需要知道，全世界最富有的10%的人，带来了全球50%以上的二氧化碳。买不起房，买不起车，舍不得开空调的我，却要承担全球变暖的责任。 不提倡吃鱼翅，但是我唯一一次看到鱼翅，是在宣传拒绝吃鱼翅的广告里。 有钱人恒温泳池24h的用电量，比我们家一个月用电量还要多。 所以既然财富不能平摊，为什么他们的罪恶需要平摊呢？ 10%的人，控制着90%的财富和资源，而90%的人消耗的资源，比不上这10%的人的浪费。结果这10%的人，却要让90%的人去减少消耗，以供他们自己可以多浪费几天。 享受的人在享受过后，把罪恶平摊在了没有享受的人身上，反而还需要让这这些没有享受的人去反思 我反思什么，我只是平凡的生活，我只是个普通人，什么都没有做，为什么这些都是我的错呢？ 古人云：“不患寡而患不均”，究竟是谁让这些北极熊没有落脚点的，是谁让我在这个城市没有落脚点的呢
推荐系统全链路（1）：召回粗排精排-各有所长
从大体上来说，推荐系统需要包含这几种模块：索引/库存池，特征服务，排序模块，线上展示逻辑，日志系统，分析系统。如下图所示：索引池是对当前所有item的判定，并不是所有item都可以出现在推荐这整个大的逻辑下面。举个例子，广告主的某个计划，只设定了相应的预算，如果预算花完了，或者广告主已经不想投了，那就需要从索引池里面拿掉。另一种情况是可能有多种索引池，广告主不想投放20-30的人群的时候，索引池就等于是其他年龄段的索引池合并起来。特征服务，用户发生请求（刷新，刚进入app等都会有请求发生）时，算出该用户信息所对应的特征，比如通过他的一些行为判定他的年龄性别等。另一个很重要的则是获取这个用户的一些历史行为。对于item当然也要提取特征，但是图上没有画出来，原因是item的大多数特征都相对固定，而用户的行为特征变化很快，需要专门的服务来处理排序模块，这就是模型主导的部分了，下面要讲的召回精排粗排都在这里，下一讲要涉及的打压保送策略也包含在内。排序模块的作用就是从很多候选的item中挑出最好的一个或者多个进入到展示逻辑中展示逻辑，这里有的同学可能会问，知道哪个最好不就直接放出去就好了吗...
推荐系统全链路（1）：召回粗排精排-各有所长
从大体上来说，推荐系统需要包含这几种模块：索引/库存池，特征服务，排序模块，线上展示逻辑，日志系统，分析系统。如下图所示：索引池是对当前所有item的判定，并不是所有item都可以出现在推荐这整个大的逻辑下面。举个例子，广告主的某个计划，只设定了相应的预算，如果预算花完了，或者广告主已经不想投了，那就需要从索引池里面拿掉。另一种情况是可能有多种索引池，广告主不想投放20-30的人群的时候，索引池就等于是其他年龄段的索引池合并起来。特征服务，用户发生请求（刷新，刚进入app等都会有请求发生）时，算出该用户信息所对应的特征，比如通过他的一些行为判定他的年龄性别等。另一个很重要的则是获取这个用户的一些历史行为。对于item当然也要提取特征，但是图上没有画出来，原因是item的大多数特征都相对固定，而用户的行为特征变化很快，需要专门的服务来处理排序模块，这就是模型主导的部分了，下面要讲的召回精排粗排都在这里，下一讲要涉及的打压保送策略也包含在内。排序模块的作用就是从很多候选的item中挑出最好的一个或者多个进入到展示逻辑中展示逻辑，这里有的同学可能会问，知道哪个最好不就直接放出去就好了吗...
