# 深度推荐模型演进图

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第3章 深度学习在推荐系统中的应用
- 页码线索：50-52
- 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：deep-learning, model-evolution, recsys

## 面试问题

深度学习给推荐系统带来的核心变化是什么？

## 30 秒回答

深度学习让推荐模型从依赖人工特征工程，转向通过 embedding、非线性网络、注意力、序列建模和多目标结构自动学习复杂关系。

## 展开要点

- Embedding 层把高维稀疏特征变成稠密表示。
- 多层网络增强非线性表达和高阶特征交叉。
- 注意力和序列模型让用户兴趣表达更细粒度。
- 深度模型也带来训练成本、线上延迟、可解释性和数据饥饿问题。

## 高频追问

- 深度模型一定比传统模型好吗？
- 为什么推荐系统天然适合 embedding？
- 模型复杂度如何和线上服务成本平衡？

## 项目映射

- 从 LR/FM baseline 升级到 DeepFM 或 DIN 的路线。
- AI PM 可准备一个“复杂模型是否值得上线”的取舍案例。

## AI PM 迁移

深度推荐的经验可以迁移到 LLM 产品：模型能力提升必须和数据、架构、评估、成本一起考虑。

## 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。