# 逻辑回归推荐模型

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第2章 前深度学习时代
- 页码线索：27-33
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：logistic-regression, baseline, ctr

## 面试问题

逻辑回归为什么曾是推荐/广告系统的重要 baseline？

## 30 秒回答

逻辑回归简单、稳定、可解释、易部署，能融合多种人工特征并输出概率，因此长期是 CTR/CVR 预估的强 baseline。

## 展开要点

- LR 能融合用户、物品、上下文和交叉特征。
- 输出概率方便做排序和业务校准。
- 优点是训练和服务成本低，解释性较好。
- 局限是表达能力依赖人工特征，难以自动学习高阶非线性交叉。

## 高频追问

- LR 如何用于 CTR 预估？
- LR 的特征工程为什么重要？
- 什么时候不要上深度模型？

## 项目映射

- 用 LR 做候选需求优先级或用户流失预测 baseline。
- AI 功能上线前用简单模型/规则做可解释基线。

## AI PM 迁移

AI PM 不应默认复杂模型；先建立稳定 baseline，才能判断深度模型或 LLM 是否真的带来增量。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。