# GBDT+LR

## 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：40-43
- 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：gbdt, lr, feature-engineering

## 面试问题

GBDT+LR 为什么是经典组合模型？

## 30 秒回答

GBDT 负责自动发现非线性特征组合，把树路径转成离散特征；LR 负责在线性框架下稳定学习权重并输出概率。它把特征工程模型化，是深度推荐前的重要工业方案。

## 展开要点

- GBDT 的叶子节点可看作自动组合特征。
- LR 接收这些稀疏特征后完成概率预估。
- 模型兼具非线性表达和线上部署稳定性。
- 局限是端到端能力弱，特征和模型分段优化。

## 高频追问

- GBDT 如何做特征转换？
- GBDT+LR 与 Wide&Deep 有什么思想联系？
- 它为什么在 Facebook 广告中有代表性？

## 项目映射

- 用树模型自动发现用户行为组合，再用 LR 做预测。
- AI PM 可用这张卡讲“传统 ML 到深度学习”的演进。

## AI PM 迁移

GBDT+LR 提醒我们：很多 AI 系统不是单模型，而是多个模型和规则模块组合。

## 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。