📑 本页目录(点开跳转)
附录 A · 术语速查卡
推荐算法 / 附录A
术语卡住时,先查架构、指标还是偏差?
沿原九类速查表查同一名词的英文和解释,再回正文核对条件。
能按问题定位术语类别,保留原完整术语表。
📌 用法:看到不懂的词就 Ctrl+F 搜这一页。不要通读,那是浪费时间。
🏗️ 架构类
| 术语 |
英文 |
人话解释 |
| 召回 |
Retrieval / Matching |
从上亿物品里快速捞出几千个候选。求全不求准 |
| 粗排 |
Pre-Ranking |
用小模型把几千个砍到几百个,给精排减负 |
| 精排 |
Ranking |
用大模型精确打分,全系统最核心的环节 |
| 重排 |
Re-Ranking |
调整最终列表:打散、多样性、去重、塞广告 |
| 多路召回 |
Multi-channel Retrieval |
同时跑几十路不同逻辑的召回,各管一个角度 |
| 兜底 |
Fallback |
出错时返回的保底结果(通常是热门榜) |
| 降级 |
Degradation |
系统压力大时主动简化流程(如跳过精排) |
| 链路一致性 |
Consistency |
各层优化目标是否对齐,不一致会导致好物品被误杀 |
📊 数据类
| 术语 |
英文 |
人话解释 |
| 显式反馈 |
Explicit Feedback |
用户明说的偏好:评分、点赞、点踩 |
| 隐式反馈 |
Implicit Feedback |
从行为推断的偏好:点击、播放、购买 |
| 交互矩阵 |
Interaction Matrix |
用户 × 物品的大表,99.99% 是空的 |
| 稀疏性 |
Sparsity |
矩阵里有值的格子占比极低 |
| 长尾 |
Long Tail |
少数物品占大部分流量,大量物品几乎无人问津 |
| 冷启动 |
Cold Start |
新用户/新物品没有数据,推不了 |
| 数据泄漏 |
Data Leakage |
用未来信息训练,离线好看上线暴死 |
| 特征穿越 |
Feature Leakage |
用了预测时刻拿不到的特征,同上 |
| 样本拼接 |
Sample Joining |
把曝光日志和后续的点击/转化关联起来 |
| 特征快照 |
Feature Snapshot |
把在线推理时实际用的特征值原样存下来 ⭐ |
🧮 算法类
| 术语 |
英文 |
人话解释 |
| 协同过滤 |
Collaborative Filtering (CF) |
靠「大家的行为」推荐,不看物品内容 |
| UserCF |
User-based CF |
和你像的人喜欢啥就推啥 |
| ItemCF |
Item-based CF |
你喜欢的东西像啥就推啥 |
| 矩阵分解 |
Matrix Factorization (MF) |
把大矩阵拆成用户向量 × 物品向量 |
| Embedding |
嵌入 / 向量表示 |
用一串数字代表一个东西,相似的东西数字也相近 ⭐ |
| 隐向量 / 隐因子 |
Latent Factor |
同上,MF 语境下的叫法 |
| BPR |
Bayesian Personalized Ranking |
不预测分数,只学「正样本分 > 负样本分」 |
| ALS |
Alternating Least Squares |
交替固定一边求另一边,MF 的一种解法 |
| FM |
Factorization Machine |
用隐向量点积表示任意两特征的交叉权重 |
| 双塔 |
Two-Tower / DSSM |
用户塔和物品塔分开算,最后点积。召回标配 |
| DIN |
Deep Interest Network |
用注意力让用户表示随候选物品而变 |
| MMoE |
Multi-gate Mixture-of-Experts |
多专家+门控,解决多目标任务冲突 |
| SASRec |
Self-Attentive Seq Rec |
用因果注意力做下一项预测的序列推荐基线;效果依赖数据与协议 |
| Semantic ID |
语义 ID |
把物品 ID 换成有层次含义的码字序列 |
| HSTU |
Hierarchical Seq Transduction Unit |
Meta 的生成式推荐架构,首次展示 Scaling Law |
🎯 训练类
| 术语 |
英文 |
人话解释 |
| Pointwise |
— |
逐个样本预测分数(用 MSE/LogLoss) |
| Pairwise |
— |
学两个样本谁更好(用 BPR) |
| Listwise |
— |
优化整个列表的排序 |
| 负采样 |
Negative Sampling |
从没交互的物品里采一些当负样本 |
| In-batch 负采样 |
— |
同批次里其他人的正样本当我的负样本 |
| LogQ 校正 |
LogQ Correction |
修正 in-batch 负采样中热门物品被过度惩罚 |
| 困难负样本 |
Hard Negative |
长得像正样本但其实是负的,训练价值高 |
| 蒸馏 |
Distillation |
大模型当老师教小模型,用于粗排/推理加速 |
| 多目标 |
Multi-task |
同时预估点击、时长、点赞等多个目标 |
| 正则化 |
Regularization |
限制模型复杂度,防止死记硬背(过拟合) |
| 过拟合 |
Overfitting |
训练集完美、测试集拉胯 |
| 增量训练 |
Incremental Training |
在昨天的模型上用新数据继续训 |
📏 指标类
| 术语 |
全称 |
人话解释 |
| CTR |
Click-Through Rate |
点击率 = 点击数 / 曝光数 |
| CVR |
Conversion Rate |
转化率 = 转化数 / 点击数 |
| AUC |
Area Under ROC Curve |
随机取一正一负,正样本分更高的概率 |
| GAUC |
Group AUC |
按用户分组算 AUC 再加权平均 ⭐ 推荐更该看这个 |
| LogLoss |
对数损失 |
概率预测的准确度,需要校准时看它 |
| Recall@K |
召回率 |
相关物品有多少被召回进前 K 个 |
| Precision@K |
准确率 |
前 K 个里有多少是相关的 |
| NDCG@K |
Normalized DCG |
考虑位置折损的排序质量,0~1 |
| HitRate@K |
命中率 |
前 K 个里有没有命中(0 或 1) |
| MRR |
Mean Reciprocal Rank |
第一个正确答案位置的倒数的平均 |
| Coverage |
覆盖率 |
推荐结果覆盖了多少比例的物品库 |
| ILD |
Intra-List Diversity |
列表内两两不相似度的平均 |
| Novelty |
新颖度 |
推荐物品的平均流行度(越低越新颖) |
| Serendipity |
惊喜度 |
「意外但相关」的程度 |
| PSI |
Population Stability Index |
特征分布漂移的度量 |
🧪 实验类
| 术语 |
英文 |
人话解释 |
| A/B 实验 |
A/B Test |
随机分两组跑不同策略,比较指标 |
| AA 测试 |
A/A Test |
两组跑一样的策略,验证分流系统没 bug ⭐ |
| 分层实验 |
Layered / Overlapping Experiments |
不同层的实验共用流量,层间正交 |
| 护栏指标 |
Guardrail Metric |
不能跌的底线指标(延迟、举报率、多样性)⭐ |
| 核心指标 |
North Star Metric |
决定上不上线的指标(留存、时长) |
| 反转实验 |
Holdback / Reverse Test |
全量后留 1-5% 跑老策略,观察长期效应 |
| 偷看结果 |
Peeking |
每天看一眼一显著就停,会让假阳性率飙升 ❌ |
| MDE |
Minimum Detectable Effect |
最小可检测提升,用来算需要多少样本 |
| 统计功效 |
Statistical Power |
真有效果时能检测出来的概率(通常取 0.8) |
| 新奇效应 |
Novelty Effect |
新东西前几天天然指标好,之后回落 |
🐛 偏差类(⭐ 面试爱问)
| 术语 |
英文 |
人话解释 |
| 热门偏置 |
Popularity Bias |
越热门越被推,越被推越热门 |
| 位置偏差 |
Position Bias |
排第 1 位天然点击率高,和内容无关 |
| 曝光偏差 |
Exposure Bias |
数据里只有系统推过的东西,没推过的没标签 ⭐ |
| 选择偏差 |
Selection Bias |
训练样本不能代表真实分布 |
| 反馈循环 |
Feedback Loop |
推荐→点击→训练→推得更窄,自我强化 |
| 信息茧房 |
Filter Bubble |
只看到自己喜欢的,信息世界越来越窄 |
| 回音室 |
Echo Chamber |
只看到同类观点,观点极化 |
| 幸存者偏差 |
Survivorship Bias |
只统计留下的用户,流失的没算进来 |
| 延迟反馈 |
Delayed Feedback |
转化可能几天后才发生,当时只能先标负样本 |
⚙️ 工程类
| 术语 |
英文 |
人话解释 |
| ANN |
Approximate Nearest Neighbor |
近似最近邻检索,牺牲一点精度换大量速度 |
| HNSW |
Hierarchical Navigable Small World |
多层图索引,目前 ANN 的主流方案 |
| IVF |
Inverted File Index |
先聚类再只搜相关的簇 |
| PQ |
Product Quantization |
把向量压缩成几个字节,省内存 |
| Faiss |
— |
Meta 的向量检索库,工业标准 |
| 特征平台 |
Feature Store |
保证离线训练和在线服务用同一份特征 ⭐ |
| Training-Serving Skew |
训练服务偏差 |
离线和在线特征计算不一致导致效果差 |
| 参数服务器 |
Parameter Server |
把巨大的 Embedding 表分片存到多台机器 |
| QPS |
Queries Per Second |
每秒请求数 |
| P99 延迟 |
— |
99% 的请求在这个时间内完成(比平均值有用得多) |
| 影子流量 |
Shadow Traffic |
新模型跑真实流量但结果不展示,只观察 |
| 灰度 |
Canary Release |
先给小比例用户上线,观察后再全量 |
| 一致性校验 |
Consistency Check |
用线上真实请求跑离线模型,对比打分是否一致 ⭐ |
🎰 探索类
| 术语 |
英文 |
人话解释 |
| E&E |
Explore & Exploit |
探索与利用的权衡 |
| 利用 |
Exploit |
推模型认为最好的,短期收益高 |
| 探索 |
Explore |
推不确定的,短期可能亏但换来信息 |
| 多臂老虎机 |
Multi-Armed Bandit |
E&E 问题的经典建模 |
| ε-greedy |
— |
以 ε 的概率随机探索,其余选最优 |
| UCB |
Upper Confidence Bound |
给试得少的物品加不确定性奖励 |
| Thompson Sampling |
汤普森采样 |
从收益分布里采样再排序,探索自适应 ⭐ |
| Contextual Bandit |
上下文老虎机 |
考虑用户特征的 bandit |
| IPS |
Inverse Propensity Scoring |
用倾向得分加权纠正曝光偏差 |
| OPE |
Off-Policy Evaluation |
用旧策略的数据评估新策略 |
👉 回到 README
打卡记录保存在你的浏览器里,首页能看到总进度