# Facebook DLRM 与 GBDT+LR

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第8章 前沿实践
- 页码线索：237-247
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P1
- 标签：facebook, dlrm, ctr

## 面试问题

Facebook 推荐系统实践给我们什么启发？

## 30 秒回答

Facebook 的实践体现了从 GBDT+LR 到 DLRM 的工业演进：稀疏特征、embedding、特征交互、实时数据流、降采样校正和并行训练共同构成效果。

## 展开要点

- GBDT+LR 代表传统强 baseline 和特征工程模型化。
- DLRM 强调稀疏 embedding 与 dense 特征交互。
- 降采样和校正处理超大规模负样本问题。
- 工程架构和模型结构同样重要。

## 高频追问

- CTR 预估为什么要做负采样校正？
- DLRM 的核心结构是什么？
- 为什么稀疏特征是推荐工程重点？

## 项目映射

- 广告 CTR 或信息流点击预估系统设计。
- AI 产品中大量稀疏用户行为如何进入模型。

## AI PM 迁移

前沿案例告诉 AI PM：产品效果来自模型、数据流和工程系统共同优化。

## 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。