[ { "number": 1, "chapter": "第1章 互联网的增长引擎", "page_hint": "1-11", "title": "推荐系统为什么是增长引擎", "interview_question": "为什么推荐系统能成为互联网产品的增长引擎？", "short_answer": "推荐系统同时解决用户侧的信息过载和公司侧的增长目标：帮助用户更快找到感兴趣内容，同时提升观看时长、点击、转化、留存或收入。", "key_points": [ "用户侧目标是高效匹配兴趣、降低发现成本。", "公司侧目标取决于业务模型：观看时长、CTR、CVR、GMV、留存等。", "推荐不是单一模型，而是数据、召回、排序、重排、评估和工程系统的整体闭环。", "增长指标必须和用户体验平衡，否则容易走向标题党、过度推荐或短期优化。" ], "follow_ups": [ "YouTube 为什么可以优化观看时长？", "电商推荐和内容推荐的目标有什么不同？", "推荐系统会带来哪些负反馈或长期风险？" ], "project_mapping": [ "用短视频、课程、电商或招聘内容推荐说明用户目标与商业目标的统一。", "为 AI 面试素材库设计个性化推荐目标：学习效率、卡片采纳率、复习留存。" ], "aipm_transfer": "AI PM 可以把推荐系统看作个性化 AI 产品的底层思想：用用户行为和上下文持续优化下一步内容或动作。", "tags": [ "growth", "recsys", "product-metric" ], "priority": "P0" }, { "number": 2, "chapter": "第1章 互联网的增长引擎", "page_hint": "5-9", "title": "推荐系统逻辑架构", "interview_question": "一个推荐系统通常由哪些模块构成？", "short_answer": "典型推荐系统由数据层、特征层、召回层、排序层、重排/策略层、服务层和评估反馈层构成。每层解决不同规模和目标的问题。", "key_points": [ "数据层收集用户、物品、上下文、行为和反馈。", "召回层从海量候选中快速筛出小集合，强调覆盖和效率。", "排序层对候选进行精细打分，强调准确性和目标拟合。", "策略层处理多样性、新鲜度、业务规则、探索和安全约束。", "评估层通过离线指标、A/B 测试和日志回流驱动迭代。" ], "follow_ups": [ "召回层和排序层为什么要分开？", "推荐系统的数据部分包括哪些内容？", "策略层为什么不能完全交给模型？" ], "project_mapping": [ "画出一个内容推荐系统的端到端链路。", "把 RAG 系统类比为：召回文档、排序证据、生成答案、评估反馈。" ], "aipm_transfer": "AI Agent/LLM 产品也常需要分层架构：候选工具召回、工具排序、执行策略、结果评估。", "tags": [ "architecture", "recall", "ranking" ], "priority": "P0" }, { "number": 3, "chapter": "第2章 前深度学习时代", "page_hint": "14-20", "title": "协同过滤 UserCF 与 ItemCF", "interview_question": "UserCF 和 ItemCF 有什么区别，分别适合什么场景？", "short_answer": "UserCF 基于相似用户推荐物品，ItemCF 基于相似物品推荐给用户。UserCF 更关注人群相似，ItemCF 更稳定、可解释、适合物品关系相对稳定的场景。", "key_points": [ "协同过滤利用用户行为矩阵，不依赖复杂内容特征。", "UserCF 在用户量大且兴趣变化快时计算和更新成本较高。", "ItemCF 物品相似度更稳定，常适合电商、视频、音乐等场景。", "协同过滤有冷启动、稀疏性、热门偏置和可扩展性问题。" ], "follow_ups": [ "如何计算用户相似度或物品相似度？", "为什么 ItemCF 在工业界更常见？", "协同过滤如何处理新用户和新物品？" ], "project_mapping": [ "用“看过 A 的人也看过 B”说明 ItemCF。", "用学习素材库做“读过 RAG 卡的人也读 Agent 卡”的相似推荐。" ], "aipm_transfer": "协同过滤对应 AI 产品里的行为相似性推荐：不理解内容语义，也能从共同行为中发现关联。", "tags": [ "collaborative-filtering", "usercf", "itemcf" ], "priority": "P0" }, { "number": 4, "chapter": "第2章 前深度学习时代", "page_hint": "21-27", "title": "矩阵分解", "interview_question": "矩阵分解相比协同过滤解决了什么问题？", "short_answer": "矩阵分解把稀疏的用户-物品行为矩阵分解为低维用户向量和物品向量，用隐向量表达兴趣和物品属性，提升泛化能力并缓解稀疏问题。", "key_points": [ "用户和物品被映射到同一个低维隐空间。", "预测分数通常由用户向量和物品向量的内积得到。", "可以加入用户偏置、物品偏置和全局偏置。", "局限是难以自然融合上下文、序列、内容和复杂特征交叉。" ], "follow_ups": [ "矩阵分解和 embedding 有什么关系？", "为什么要加入 bias 项？", "矩阵分解如何处理隐式反馈？" ], "project_mapping": [ "用用户-岗位匹配或用户-课程匹配说明隐向量推荐。", "解释为什么 embedding 召回本质上延续了矩阵分解思想。" ], "aipm_transfer": "矩阵分解帮助 AI PM 理解 embedding 空间：相似不来自规则，而来自行为或语义共现学习。", "tags": [ "matrix-factorization", "embedding", "matching" ], "priority": "P0" }, { "number": 5, "chapter": "第2章 前深度学习时代", "page_hint": "27-33", "title": "逻辑回归推荐模型", "interview_question": "逻辑回归为什么曾是推荐/广告系统的重要 baseline？", "short_answer": "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。", "key_points": [ "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。" ], "follow_ups": [ "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？" ], "project_mapping": [ "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。" ], "aipm_transfer": "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。", "tags": [ "logistic-regression", "baseline", "ctr" ], "priority": "P0" }, { "number": 6, "chapter": "第2章 前深度学习时代", "page_hint": "33-39", "title": "FM 与 FFM 特征交叉", "interview_question": "FM 为什么适合推荐和广告场景？", "short_answer": "FM 用隐向量建模特征之间的二阶交叉，在高维稀疏场景下比直接交叉更可泛化。FFM 进一步引入 field 概念，让同一特征面对不同特征域时使用不同隐向量。", "key_points": [ "推荐/广告特征通常高维、稀疏、类别多。", "直接 one-hot 交叉参数爆炸，FM 用隐向量降低复杂度。", "FM 自动建模二阶交叉，是从人工交叉到表示学习的过渡。", "FFM 表达力更强，但参数量和训练成本更高。" ], "follow_ups": [ "FM 和矩阵分解有什么关系？", "FFM 中 field 的意义是什么？", "FM 的局限是什么？" ], "project_mapping": [ "广告 CTR：用户年龄 x 广告类目 x 场景。", "AI 学习推荐：候选人背景 x JD 类型 x 知识卡主题。" ], "aipm_transfer": "FM 思想对应 AI PM 的结构化上下文交叉：用户、任务、内容、场景之间的组合决定结果。", "tags": [ "fm", "ffm", "feature-cross" ], "priority": "P0" }, { "number": 7, "chapter": "第2章 前深度学习时代", "page_hint": "40-43", "title": "GBDT+LR", "interview_question": "GBDT+LR 为什么是经典组合模型？", "short_answer": "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。", "key_points": [ "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。" ], "follow_ups": [ "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？" ], "project_mapping": [ "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。" ], "aipm_transfer": "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。", "tags": [ "gbdt", "lr", "feature-engineering" ], "priority": "P0" }, { "number": 8, "chapter": "第2章 前深度学习时代", "page_hint": "44-47", "title": "LS-PLM 与分片建模", "interview_question": "LS-PLM 这类分片模型解决什么问题？", "short_answer": "LS-PLM 通过多个局部模型和门控/分片思想处理不同数据区域的差异，让模型能表达更复杂的非线性关系，同时保持一定可解释性和工程可控性。", "key_points": [ "单一全局线性模型难以拟合复杂用户行为。", "分片模型把样本空间拆成多个局部区域。", "每个局部模型学习不同模式，整体通过权重融合。", "从深度学习视角看，它和 MoE/门控思想有相通之处。" ], "follow_ups": [ "分片过多会有什么风险？", "LS-PLM 和深度模型的联系是什么？", "为什么阿里曾在广告场景使用这类模型？" ], "project_mapping": [ "不同人群/场景分别建模：新客、老客、高价值用户。", "LLM 产品可用模型路由类比：不同任务走不同专家模型。" ], "aipm_transfer": "AI PM 可以把它理解为“人群/场景分治”：不一定一个模型解决所有任务。", "tags": [ "ls-plm", "moe", "segmentation" ], "priority": "P1" }, { "number": 9, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "50-52", "title": "深度推荐模型演进图", "interview_question": "深度学习给推荐系统带来的核心变化是什么？", "short_answer": "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。", "key_points": [ "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。" ], "follow_ups": [ "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？" ], "project_mapping": [ "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。" ], "aipm_transfer": "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。", "tags": [ "deep-learning", "model-evolution", "recsys" ], "priority": "P0" }, { "number": 10, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "53-58", "title": "AutoRec", "interview_question": "AutoRec 的基本思想是什么？", "short_answer": "AutoRec 用自编码器重构用户-物品评分向量，通过隐藏层学习用户或物品的低维表示，是把神经网络用于协同过滤的一种早期方式。", "key_points": [ "输入可以是用户评分向量或物品评分向量。", "目标是重构已知评分，并预测未知评分。", "相比矩阵分解，AutoRec 引入非线性表达。", "局限是依赖评分矩阵，难融合复杂上下文和工业特征。" ], "follow_ups": [ "AutoRec 和矩阵分解有什么联系？", "自编码器为什么能学表示？", "为什么 AutoRec 工业影响不如后续模型？" ], "project_mapping": [ "用内容评分/收藏矩阵做个性化素材推荐。", "作为“神经协同过滤”的入门例子。" ], "aipm_transfer": "这张卡适合理解模型演进：深度学习不是一上来就取代系统，而是逐步替换传统模块。", "tags": [ "autorec", "autoencoder", "collaborative-filtering" ], "priority": "P1" }, { "number": 11, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "58-62", "title": "Deep Crossing", "interview_question": "Deep Crossing 对推荐模型有什么启发？", "short_answer": "Deep Crossing 用 embedding、残差网络和多层非线性结构完成特征表达与交叉，代表了推荐模型从人工交叉向端到端深度结构演进。", "key_points": [ "Embedding 层处理稀疏类别特征。", "Stacking 层拼接多类特征。", "Residual 层提升深层网络训练稳定性。", "Scoring 层输出最终预测分数。" ], "follow_ups": [ "为什么需要残差结构？", "Deep Crossing 如何替代人工特征交叉？", "这类模型的线上成本如何控制？" ], "project_mapping": [ "把用户、物品、上下文特征输入深度排序模型。", "AI PM 可用它解释“端到端不等于没有工程约束”。" ], "aipm_transfer": "Deep Crossing 的模块化思路可迁移到 AI 产品：输入表示、特征融合、推理打分、输出决策。", "tags": [ "deep-crossing", "feature-cross", "resnet" ], "priority": "P1" }, { "number": 12, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "63-67", "title": "NeuralCF", "interview_question": "NeuralCF 如何把协同过滤和深度学习结合？", "short_answer": "NeuralCF 用神经网络替代矩阵分解中的简单内积，让用户向量和物品向量通过非线性网络交互，增强匹配函数的表达能力。", "key_points": [ "矩阵分解的内积是固定、简单的匹配函数。", "NeuralCF 学习更灵活的用户-物品交互。", "可结合 GMF 和 MLP 两类结构。", "局限是仍较依赖 ID 类协同行为，冷启动和特征融合仍需扩展。" ], "follow_ups": [ "为什么内积表达能力有限？", "NeuralCF 和双塔召回有什么区别？", "如何处理新用户？" ], "project_mapping": [ "学习用户和职位/课程/内容的匹配函数。", "把简单相似度升级为可训练匹配网络。" ], "aipm_transfer": "AI PM 可用它理解：匹配不仅是向量相似，还可以学习更复杂的交互函数。", "tags": [ "neuralcf", "matching", "collaborative-filtering" ], "priority": "P1" }, { "number": 13, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "67-70", "title": "PNN Product Layer", "interview_question": "PNN 为什么要引入 Product 层？", "short_answer": "PNN 用 Product 层显式建模 embedding 特征之间的交叉关系，在深度网络中保留类似 FM 的二阶交叉能力。", "key_points": [ "普通 DNN 拼接 embedding 后未必充分表达特征交叉。", "Product 层可以做内积、外积等特征交互。", "适合强调用户、物品、上下文之间组合关系的 CTR 场景。", "表达力增强也会带来参数量和计算成本上升。" ], "follow_ups": [ "PNN 和 DeepFM 有什么共同点？", "内积和外积 Product 有什么区别？", "显式交叉与隐式交叉如何取舍？" ], "project_mapping": [ "候选人背景 x JD x 学习阶段的交叉建模。", "AI 产品中的用户任务 x 工具 x 场景匹配。" ], "aipm_transfer": "特征交叉提醒 AI PM：用户价值往往来自上下文组合，而不是单个特征。", "tags": [ "pnn", "product-layer", "feature-cross" ], "priority": "P1" }, { "number": 14, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "70-76", "title": "Wide&Deep", "interview_question": "Wide&Deep 中的记忆能力和泛化能力分别指什么？", "short_answer": "Wide 部分记忆历史中出现过的强规则和特征组合，Deep 部分通过 embedding 和深层网络泛化到未见过的组合。二者结合兼顾准确记忆和泛化推荐。", "key_points": [ "Wide 适合记住高频、强相关、可解释的交叉特征。", "Deep 适合从稀疏特征中学习低维表示和非线性模式。", "适用于既要利用历史规则，又要发现新组合的场景。", "工程上需要管理 wide 特征、deep 特征和联合训练。" ], "follow_ups": [ "为什么只用 Deep 可能不够？", "Wide&Deep 和 GBDT+LR 的思想联系是什么？", "什么场景需要记忆能力？" ], "project_mapping": [ "电商推荐：记住用户买过品牌，同时泛化到相似品类。", "AI 学习推荐：记住已掌握主题，同时泛化到相邻能力卡。" ], "aipm_transfer": "LLM 个性化也要兼顾记忆和泛化：既利用明确偏好，又推荐新但相关的内容。", "tags": [ "wide-and-deep", "memorization", "generalization" ], "priority": "P0" }, { "number": 15, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "77-83", "title": "FNN DeepFM NFM", "interview_question": "FNN、DeepFM、NFM 如何把 FM 和深度学习结合？", "short_answer": "FNN 用 FM 预训练 embedding，DeepFM 用 FM 替代 Wide 部分同时学习低阶和高阶特征，NFM 则把 FM 的二阶交叉神经网络化。", "key_points": [ "这些模型的共同目标是保留 FM 的交叉能力，同时增强深度表达。", "FNN 强调预训练初始化。", "DeepFM 端到端结合 FM 和 DNN。", "NFM 用神经网络处理二阶交叉后的表示。" ], "follow_ups": [ "DeepFM 相比 Wide&Deep 有什么改进？", "为什么 FM 适合作为 deep 模型组件？", "端到端训练的好处和风险是什么？" ], "project_mapping": [ "结构化高维稀疏特征排序任务。", "讲一个从 FM baseline 升级到 DeepFM 的模型演进。" ], "aipm_transfer": "AI PM 可以用这张卡理解“继承成熟模块 + 深度化改造”的产品技术演进方式。", "tags": [ "deepfm", "fnn", "nfm", "fm" ], "priority": "P0" }, { "number": 16, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "83-88", "title": "注意力机制与 DIN", "interview_question": "DIN 为什么要把注意力机制引入推荐系统？", "short_answer": "DIN 认为用户兴趣不是一个固定向量，而应针对当前候选物品激活相关历史行为。注意力机制让模型根据候选 item 动态选择最相关的用户兴趣。", "key_points": [ "传统用户向量可能把多种兴趣混在一起。", "DIN 针对候选广告/物品对历史行为做 attention。", "模型能表达“用户对不同候选物品的兴趣不同”。", "注意力也提供一定解释性：哪些历史行为影响当前推荐。" ], "follow_ups": [ "DIN 的改进动机是什么？", "注意力权重能否直接当解释？", "DIN 和普通 embedding pooling 有什么区别？" ], "project_mapping": [ "用户既看技术书又看产品书，推荐 AI PM 卡时激活相关历史。", "电商中根据候选品类激活用户对应兴趣。" ], "aipm_transfer": "AI PM 可把 DIN 类比为上下文相关记忆：模型应根据当前任务选择相关历史，而不是塞入全部记忆。", "tags": [ "attention", "din", "user-interest" ], "priority": "P0" }, { "number": 17, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "88-92", "title": "DIEN 与用户兴趣演化", "interview_question": "DIEN 相比 DIN 进一步解决了什么问题？", "short_answer": "DIEN 不只关注当前候选激活哪段历史，还建模用户兴趣如何随时间演化。它用序列模型抽取兴趣并刻画兴趣进化，更适合行为序列丰富的场景。", "key_points": [ "用户兴趣会随时间变化，静态兴趣表达不够。", "兴趣抽取层从行为序列中学习兴趣表示。", "兴趣进化层刻画兴趣随候选目标的变化。", "序列建模提升表达力，但也增加训练和服务复杂度。" ], "follow_ups": [ "DIN 和 DIEN 的主要区别是什么？", "为什么推荐系统需要序列模型？", "长序列建模有什么工程挑战？" ], "project_mapping": [ "学习路径推荐：从基础 ML 到 RAG/Agent 的兴趣演化。", "内容推荐中近期兴趣和长期兴趣的权衡。" ], "aipm_transfer": "LLM 个性化也要区分长期偏好和当前任务，避免用过时历史干扰当前回答。", "tags": [ "dien", "sequence", "interest-evolution" ], "priority": "P0" }, { "number": 18, "chapter": "第3章 深度学习在推荐系统中的应用", "page_hint": "92-98", "title": "强化学习推荐", "interview_question": "强化学习为什么会被用于推荐系统？", "short_answer": "传统推荐多优化单次点击或转化，强化学习尝试优化长期收益，处理推荐动作对用户后续状态的影响，以及探索与利用的平衡。", "key_points": [ "推荐是连续决策：当前推荐会影响未来兴趣和留存。", "RL 可把用户反馈看作奖励，学习长期策略。", "难点是样本效率、离线评估、线上安全和奖励设计。", "工业落地通常需要谨慎控制探索范围。" ], "follow_ups": [ "推荐系统中状态、动作、奖励分别是什么？", "为什么不能只优化点击？", "RL 推荐上线有哪些风险？" ], "project_mapping": [ "学习推荐中优化长期学习完成率，而不是单张卡点击。", "AI 助手下一步行动推荐：解释、练习、追问或复盘。" ], "aipm_transfer": "Agent 产品同样是序列决策，不能只看单步成功，要看长期任务完成和用户信任。", "tags": [ "reinforcement-learning", "long-term-value", "exploration" ], "priority": "P0" }, { "number": 19, "chapter": "第4章 Embedding 技术", "page_hint": "102-109", "title": "Embedding 是深度推荐核心操作", "interview_question": "为什么 Embedding 对深度推荐系统如此重要？", "short_answer": "Embedding 把高维稀疏 ID、类别、文本或图节点映射为低维稠密向量，使相似用户、物品和上下文能在统一空间中计算、召回和输入深度模型。", "key_points": [ "推荐系统大量特征是稀疏 ID 和类别特征。", "Embedding 降低维度并承载语义/行为相似性。", "Embedding 可用于召回、排序、冷启动和可视化分析。", "向量质量取决于训练目标、数据分布和负样本设计。" ], "follow_ups": [ "Embedding 和 one-hot 有什么区别？", "Embedding 维度如何选择？", "如何评估 embedding 好坏？" ], "project_mapping": [ "职位、知识卡、用户画像都可向量化用于匹配。", "RAG 的文档 embedding 与推荐 item embedding 可类比。" ], "aipm_transfer": "AI PM 必须理解 embedding 是语义检索和个性化推荐的共同底座，但相似不等于正确。", "tags": [ "embedding", "vector", "representation" ], "priority": "P0" }, { "number": 20, "chapter": "第4章 Embedding 技术", "page_hint": "105-112", "title": "Word2vec 与 Item2vec", "interview_question": "Item2vec 如何把 Word2vec 推广到推荐系统？", "short_answer": "Item2vec 把用户行为序列类比为句子，把物品类比为词，通过共现上下文学习物品向量，从而用于相似物品召回和推荐。", "key_points": [ "用户一次会话或行为序列可看作 item sentence。", "共现关系表达物品之间的行为相似性。", "训练后可用向量近邻找相似物品。", "局限是容易受热门物品、序列构造和上下文窗口影响。" ], "follow_ups": [ "Item2vec 和 ItemCF 有什么区别？", "行为序列如何构造？", "负采样有什么作用？" ], "project_mapping": [ "读过某类面试卡的人还会读哪些卡。", "电商“搭配购买”或内容“连续观看”推荐。" ], "aipm_transfer": "Item2vec 是 RAG/推荐之间的桥：都从共现或上下文中学习向量，用于快速召回。", "tags": [ "item2vec", "word2vec", "recall" ], "priority": "P0" }, { "number": 21, "chapter": "第4章 Embedding 技术", "page_hint": "112-118", "title": "Graph Embedding", "interview_question": "Graph Embedding 在推荐系统中解决什么问题？", "short_answer": "Graph Embedding 把用户、物品、属性和行为构成的图结构映射为向量，能利用更丰富的连接关系，捕捉同质性、结构性和多跳关联。", "key_points": [ "DeepWalk 用随机游走生成节点序列，再类比 Word2vec 训练。", "Node2vec 在 BFS/DFS 风格之间权衡同质性和结构性。", "EGES 等方法融合多种 side information。", "图嵌入适合复杂关系网络，但构图和实时更新很关键。" ], "follow_ups": [ "DeepWalk 和 Node2vec 有什么区别？", "推荐系统里的图节点和边怎么定义？", "Graph Embedding 如何处理冷启动？" ], "project_mapping": [ "用户-知识卡-技能-岗位构图，推荐下一张学习卡。", "企业知识库中人、文档、项目、主题构成知识图谱。" ], "aipm_transfer": "AI PM 可用图思维组织个性化学习和知识推荐：不只是文本相似，还有关系相似。", "tags": [ "graph-embedding", "deepwalk", "node2vec" ], "priority": "P0" }, { "number": 22, "chapter": "第4章 Embedding 技术", "page_hint": "118-125", "title": "Embedding 召回与近邻搜索", "interview_question": "为什么 embedding 召回需要近邻搜索技术？", "short_answer": "线上推荐需要在海量物品向量中快速找出与用户向量相近的候选，暴力计算成本过高，因此需要 ANN、局部敏感哈希等近似最近邻搜索方法。", "key_points": [ "Embedding 召回把推荐问题转化为向量近邻检索。", "近似搜索在召回质量和延迟之间做权衡。", "局部敏感哈希通过哈希桶减少候选搜索范围。", "工业系统还要考虑索引更新、过滤、权限和多路融合。" ], "follow_ups": [ "ANN 为什么是近似而不是精确？", "召回延迟和召回率如何平衡？", "多桶策略有什么作用？" ], "project_mapping": [ "RAG 向量库召回与推荐 embedding 召回的相似点。", "知识卡推荐中先向量召回，再排序。" ], "aipm_transfer": "AI PM 需要知道向量检索是工程系统：召回质量、延迟、成本和更新频率同时决定体验。", "tags": [ "ann", "lsh", "vector-search" ], "priority": "P0" }, { "number": 23, "chapter": "第5章 多角度审视推荐系统", "page_hint": "129-137", "title": "推荐系统特征工程", "interview_question": "推荐系统特征工程应该遵循什么原则？", "short_answer": "推荐特征工程要围绕用户、物品、上下文、交叉行为和业务目标构建，既要表达偏好，也要表达场景和约束。特征设计离不开业务理解。", "key_points": [ "常用特征包括用户画像、物品属性、上下文、历史行为、统计特征和交叉特征。", "数值、类别、序列、文本、图像等特征要用不同处理方法。", "特征必须稳定、可获得、低泄漏、线上线下一致。", "业务理解决定哪些行为值得进入模型。" ], "follow_ups": [ "推荐系统有哪些常用特征？", "如何避免特征穿越？", "为什么说特征工程与业务理解有关？" ], "project_mapping": [ "为 AI 面试素材推荐设计用户、岗位、书籍、卡片、行为特征。", "为企业知识库推荐设计角色、权限、文档、任务上下文特征。" ], "aipm_transfer": "LLM 产品的上下文工程就是一种特征工程：给模型什么信息，决定它能做出什么判断。", "tags": [ "feature-engineering", "business-understanding" ], "priority": "P0" }, { "number": 24, "chapter": "第5章 多角度审视推荐系统", "page_hint": "137-140", "title": "召回层与多路召回", "interview_question": "召回层和排序层的功能差异是什么？为什么要多路召回？", "short_answer": "召回层负责从海量物品中快速找出可能相关的候选，排序层负责精细打分。多路召回用不同策略覆盖不同兴趣和场景，避免单一路径漏掉候选。", "key_points": [ "召回强调效率和覆盖，排序强调准确和目标拟合。", "常见召回包括热门、协同过滤、内容、embedding、规则、运营召回。", "多路召回需要去重、配额、融合和后续排序。", "召回不足时，排序再强也无候选可排。" ], "follow_ups": [ "多路召回结果如何融合？", "召回层如何评估？", "召回太多会有什么问题？" ], "project_mapping": [ "学习卡推荐：按技能图谱、相似用户、最近阅读、岗位目标多路召回。", "RAG：BM25、向量、标签、权限、人工精选多路召回。" ], "aipm_transfer": "RAG 的很多问题本质是召回问题：没召回正确证据，生成层无法补救。", "tags": [ "recall", "multi-channel", "ranking" ], "priority": "P0" }, { "number": 25, "chapter": "第5章 多角度审视推荐系统", "page_hint": "140-148", "title": "推荐系统实时性", "interview_question": "推荐系统为什么强调实时性？", "short_answer": "实时性让推荐系统快速响应用户最新兴趣、物品状态和场景变化。实时性包括特征实时、模型实时、召回索引实时和策略实时，但每一层都要和成本权衡。", "key_points": [ "用户短期兴趣可能比长期画像更能预测下一次行为。", "物品库存、价格、热度、内容状态会快速变化。", "特征实时性、模型实时性和服务实时性是不同问题。", "木桶效应：最慢或最旧的一环会限制整体效果。" ], "follow_ups": [ "实时特征和离线特征如何结合？", "模型需要实时训练吗？", "实时性带来哪些工程成本？" ], "project_mapping": [ "短视频/电商根据最近点击即时调整推荐。", "AI 学习系统根据刚答错的题即时推荐补充卡。" ], "aipm_transfer": "AI PM 在个性化产品中要区分长期记忆和短期上下文，二者更新频率不同。", "tags": [ "real-time", "feature", "serving" ], "priority": "P0" }, { "number": 26, "chapter": "第5章 多角度审视推荐系统", "page_hint": "148-153", "title": "优化目标设定", "interview_question": "推荐系统如何合理设定优化目标？", "short_answer": "优化目标必须和业务场景统一，既不能只追技术指标，也不能只看短期点击。目标要能代表用户价值和商业价值，并与其他团队形成清晰接口。", "key_points": [ "视频可关注观看时长，电商可关注转化/GMV，新闻可关注点击与留存。", "点击率高不等于用户满意，可能诱导标题党。", "目标应包含主指标和护栏指标。", "目标设定是产品、算法、运营、商业团队的接口工作。" ], "follow_ups": [ "为什么 YouTube 用观看时长作为目标？", "推荐系统如何避免短期优化？", "多目标如何权衡？" ], "project_mapping": [ "为 AI 面试素材库设定：有效复习时长、卡片完成率、模拟面试提升，而不是只看点击。", "为 RAG 设定答案有用率、引用正确率、人工兜底率。" ], "aipm_transfer": "AI 产品最危险的是优化错目标：调用量、生成次数不等于任务成功。", "tags": [ "objective", "metrics", "product" ], "priority": "P0" }, { "number": 27, "chapter": "第5章 多角度审视推荐系统", "page_hint": "153-158", "title": "没有推荐银弹", "interview_question": "为什么说推荐系统中比模型结构更重要的是业务理解？", "short_answer": "推荐问题没有通用银弹。模型结构只有在捕捉到具体场景里的用户行为规律时才有价值。优秀算法设计来自对用户行为、业务目标和数据机制的观察。", "key_points": [ "拿着新模型找场景容易变成撞大运。", "问题驱动要求先定义清楚行为规律和技术需求。", "DIN 等模型的价值来自对用户兴趣激活机制的洞察。", "算法工程师不能只是调参炼丹，也要理解产品和用户。" ], "follow_ups": [ "如何判断一个新模型是否适合你的业务？", "为什么论文 SOTA 不一定线上有效？", "你如何做问题驱动的模型设计？" ], "project_mapping": [ "从用户行为观察出发提出模型改进，而不是先追新模型。", "AI PM 在引入 Agent 前先定义它解决的真实流程瓶颈。" ], "aipm_transfer": "LLM 产品同理：不是所有问题都要上 Agent、RAG 或微调，先定义真实问题。", "tags": [ "problem-driven", "model-selection", "business" ], "priority": "P0" }, { "number": 28, "chapter": "第5章 多角度审视推荐系统", "page_hint": "159-164", "title": "冷启动", "interview_question": "推荐系统如何解决冷启动问题？", "short_answer": "冷启动来自缺少用户或物品行为数据。可用规则、内容特征、热门策略、主动学习、迁移学习、探索机制和引导用户提供偏好来缓解。", "key_points": [ "新用户冷启动可通过注册信息、兴趣选择、上下文和热门内容启动。", "新物品冷启动可利用内容、类目、作者、价格、文本/图像 embedding。", "主动学习通过少量问题快速获取偏好。", "探索与利用机制帮助新内容获得曝光。" ], "follow_ups": [ "新用户和新物品冷启动有什么不同？", "如何设计用户兴趣选择流程？", "冷启动如何评估？" ], "project_mapping": [ "新用户进入 AI 学习系统时先问目标岗位、经验、薄弱点。", "新知识卡用主题、来源、难度和 embedding 初始化推荐。" ], "aipm_transfer": "AI 个性化产品启动时不能等待大量行为，必须通过显式偏好和内容理解建立初始画像。", "tags": [ "cold-start", "active-learning", "personalization" ], "priority": "P0" }, { "number": 29, "chapter": "第5章 多角度审视推荐系统", "page_hint": "165-174", "title": "探索与利用", "interview_question": "推荐系统中探索与利用如何平衡？", "short_answer": "利用是推荐已知高收益内容，探索是尝试不确定但可能有价值的内容。平衡二者可以缓解信息茧房、冷启动和局部最优，但探索要控制用户体验风险。", "key_points": [ "传统方法包括 epsilon-greedy、UCB、Thompson Sampling 等。", "个性化探索根据用户风险承受和兴趣范围调节探索比例。", "基于模型的方法估计不确定性和长期价值。", "探索需要护栏：低质内容、合规和商业风险不能随意探索。" ], "follow_ups": [ "为什么推荐系统不能只利用？", "探索流量如何分配？", "探索效果如何评估？" ], "project_mapping": [ "学习系统给用户推荐一点相邻新主题，避免只刷熟悉内容。", "内容平台扶持新内容时平衡用户满意和生态健康。" ], "aipm_transfer": "Agent/AI 助手也需要探索新策略，但必须在可回滚和可监控范围内。", "tags": [ "exploration", "bandit", "long-term-value" ], "priority": "P0" }, { "number": 30, "chapter": "第6章 工程实现", "page_hint": "177-181", "title": "推荐系统数据流", "interview_question": "推荐系统的数据架构为什么要区分批处理和流计算？", "short_answer": "批处理适合大规模离线统计和训练，流计算适合实时行为反馈和状态更新。工业推荐常通过 Lambda 或 Kappa 架构整合离线与实时数据。", "key_points": [ "批处理吞吐高，适合全量特征、样本生成、离线训练。", "流计算延迟低，适合实时特征、实时反馈和在线监控。", "Lambda 同时维护批处理和流处理路径，复杂但稳健。", "Kappa 更强调统一流式架构，降低双路径一致性问题。" ], "follow_ups": [ "Lambda 和 Kappa 架构有什么区别？", "实时特征如何保证一致性？", "数据延迟会如何影响推荐效果？" ], "project_mapping": [ "用户刚点击某主题后即时更新推荐候选。", "LLM 产品日志回流用于 prompt、知识库和评估集更新。" ], "aipm_transfer": "AI PM 不一定设计数据架构，但要知道个性化和评估都依赖高质量日志和反馈流。", "tags": [ "data-architecture", "streaming", "batch" ], "priority": "P0" }, { "number": 31, "chapter": "第6章 工程实现", "page_hint": "183-201", "title": "离线训练与分布式训练", "interview_question": "推荐模型为什么需要分布式训练？", "short_answer": "推荐系统数据量、特征规模和 embedding 参数量巨大，单机训练难以承载。Spark MLlib、Parameter Server、TensorFlow 等方案在数据并行、模型并行和一致性之间做权衡。", "key_points": [ "Spark 适合大规模数据处理和部分传统模型训练。", "Parameter Server 适合大规模稀疏参数和 embedding 更新。", "TensorFlow 等深度框架支持计算图和分布式训练。", "一致性、吞吐、收敛速度和工程复杂度需要平衡。" ], "follow_ups": [ "Parameter Server 的核心思想是什么？", "同步和异步训练有什么取舍？", "为什么 embedding 参数量会很大？" ], "project_mapping": [ "讲清楚为什么工业推荐不是 notebook 训练一个模型那么简单。", "AI PM 可用它理解大模型训练/微调的工程约束。" ], "aipm_transfer": "大规模 AI 产品的瓶颈常在数据和系统，不只是算法想法。", "tags": [ "distributed-training", "parameter-server", "tensorflow" ], "priority": "P1" }, { "number": 32, "chapter": "第6章 工程实现", "page_hint": "202-206", "title": "推荐模型上线部署", "interview_question": "深度推荐模型有哪些常见上线方式？", "short_answer": "上线方式包括预存推荐结果或 embedding、自研在线模型服务、预训练 embedding 加轻量模型、PMML 转换、TensorFlow Serving 等。选择取决于延迟、成本、实时性和迭代效率。", "key_points": [ "预存结果简单低延迟，但个性化和实时性有限。", "在线服务灵活但成本和稳定性要求高。", "预训练 embedding + 轻量模型是效果和成本折中。", "部署方案必须和业务 SLA、模型复杂度、团队能力匹配。" ], "follow_ups": [ "什么时候预存推荐结果？", "模型服务延迟高怎么办？", "线上模型和离线模型不一致怎么排查？" ], "project_mapping": [ "AI 学习推荐可先每日离线生成，再逐步加入实时排序。", "LLM 功能可用缓存、模型路由、异步任务降低成本。" ], "aipm_transfer": "AI PM 做方案时要问：实时调用模型是否值得？能否缓存、预计算或降级？", "tags": [ "model-serving", "deployment", "latency" ], "priority": "P0" }, { "number": 33, "chapter": "第6章 工程实现", "page_hint": "207-211", "title": "工程与理论的权衡", "interview_question": "推荐系统工程中有哪些典型取舍？", "short_answer": "工业推荐不是追求理论最优，而是在效果、延迟、成本、研发周期、硬件环境、稳定性和可维护性之间做系统性权衡。", "key_points": [ "Redis/存储容量会限制 embedding 或结果预存方式。", "研发周期会影响是否选择成熟方案还是自研。", "硬件环境会影响模型结构和推理复杂度。", "局部模型提升必须服务整体系统收益。" ], "follow_ups": [ "效果提升 1% 但成本翻倍要不要上？", "工程约束和算法理想冲突怎么办？", "如何评估一个模型改进是否值得上线？" ], "project_mapping": [ "用一次“复杂模型不上线”的案例展示成熟判断。", "AI 产品中 GPT-5/小模型/缓存/规则的成本取舍。" ], "aipm_transfer": "AI PM 的核心能力之一就是把模型能力翻译成可上线、可负担、可维护的产品方案。", "tags": [ "tradeoff", "engineering", "cost" ], "priority": "P0" }, { "number": 34, "chapter": "第7章 推荐系统评估", "page_hint": "213-221", "title": "离线评估指标", "interview_question": "推荐系统有哪些常用离线评估指标？如何选择？", "short_answer": "离线指标包括准确率、召回率、Precision/Recall、ROC/AUC、MAP、NDCG 等。选择指标要匹配推荐场景、列表位置、用户行为和业务目标。", "key_points": [ "Top-K 推荐需要关注位置和序列质量。", "P-R 和 ROC 适合分类/排序评估，但解释角度不同。", "MAP/NDCG 等指标更直接评估推荐列表。", "离线指标只能初筛，不能替代线上实验。" ], "follow_ups": [ "AUC 高为什么线上可能不好？", "NDCG 为什么考虑位置？", "如何评估多样性和新颖性？" ], "project_mapping": [ "评估知识卡推荐：点击、完成、收藏、后续答题提升。", "RAG 评估：召回率、证据排序、答案正确、有用率。" ], "aipm_transfer": "AI PM 要为每类 AI 功能选择任务级评估，而不是迷信一个总分。", "tags": [ "offline-evaluation", "auc", "map", "ndcg" ], "priority": "P0" }, { "number": 35, "chapter": "第7章 推荐系统评估", "page_hint": "222-224", "title": "Replay 动态离线评估", "interview_question": "Replay 评估为什么比普通离线评估更接近线上？", "short_answer": "Replay 试图按照历史真实请求顺序重放用户行为，动态模拟推荐系统在当时状态下的决策和反馈，比静态切分更接近线上环境。", "key_points": [ "普通离线评估容易忽略时间顺序和反馈闭环。", "Replay 保留用户行为流和系统状态变化。", "适合评估推荐策略在时间维度上的表现。", "局限是仍受历史曝光偏差和反事实问题影响。" ], "follow_ups": [ "Replay 和 A/B 测试有什么区别？", "历史日志偏差如何影响评估？", "为什么推荐评估有反事实难题？" ], "project_mapping": [ "用历史学习日志重放卡片推荐策略。", "LLM 产品可重放历史问题评估新 RAG 策略。" ], "aipm_transfer": "AI 评估要尽量模拟真实使用流，而不是只在静态样例上打分。", "tags": [ "replay", "offline-evaluation", "simulation" ], "priority": "P1" }, { "number": 36, "chapter": "第7章 推荐系统评估", "page_hint": "225-228", "title": "A/B 测试与线上指标", "interview_question": "推荐系统为什么必须做 A/B 测试？", "short_answer": "离线评估无法完全代表真实用户行为和业务结果，A/B 测试通过随机分桶在线比较策略效果，是验证推荐系统改动是否真正有效的关键方法。", "key_points": [ "分桶要随机、稳定、互斥，避免污染。", "线上指标要包含主指标和护栏指标。", "推荐系统要看短期收益和长期留存/生态影响。", "实验要关注统计显著性和样本量。" ], "follow_ups": [ "A/B 分桶有哪些原则？", "线上评估指标如何设计？", "实验结果和离线结果相反怎么办？" ], "project_mapping": [ "推荐卡片排序改动上线，用完成率和留存做实验。", "AI 对话答案策略用有用率、追问率、人工兜底率做 A/B。" ], "aipm_transfer": "AI PM 要能设计线上实验，否则无法证明模型或 prompt 改动有真实价值。", "tags": [ "ab-test", "online-evaluation", "metrics" ], "priority": "P0" }, { "number": 37, "chapter": "第7章 推荐系统评估", "page_hint": "229-234", "title": "Interleaving 快速线上评估", "interview_question": "Interleaving 相比传统 A/B 测试有什么优势？", "short_answer": "Interleaving 将两个排序结果交织展示给同一用户，通过用户点击偏好更灵敏地比较排序策略，常用于搜索/推荐排序的快速在线评估。", "key_points": [ "传统 A/B 需要较大流量和较长周期。", "Interleaving 让两个策略面对更相似的用户上下文。", "适合比较排序结果，不适合所有产品改动。", "实现要处理展示归因、公平交织和位置偏差。" ], "follow_ups": [ "Interleaving 如何实现？", "它为什么更灵敏？", "它有哪些局限？" ], "project_mapping": [ "比较两个知识卡排序策略谁更能带来点击/完成。", "比较两个 RAG 检索排序器的用户选择偏好。" ], "aipm_transfer": "AI 产品里的排序、检索、候选答案选择可以借鉴 Interleaving 做快速偏好比较。", "tags": [ "interleaving", "ranking-evaluation", "online-test" ], "priority": "P1" }, { "number": 38, "chapter": "第8章 前沿实践", "page_hint": "237-247", "title": "Facebook DLRM 与 GBDT+LR", "interview_question": "Facebook 推荐系统实践给我们什么启发？", "short_answer": "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。", "key_points": [ "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。" ], "follow_ups": [ "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？" ], "project_mapping": [ "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。" ], "aipm_transfer": "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。", "tags": [ "facebook", "dlrm", "ctr" ], "priority": "P1" }, { "number": 39, "chapter": "第8章 前沿实践", "page_hint": "247-259", "title": "Airbnb Embedding 实时搜索推荐", "interview_question": "Airbnb 如何用 Embedding 改进搜索推荐？", "short_answer": "Airbnb 将房源、用户和搜索词 embedding 融入实时搜索排序，结合短期兴趣、长期兴趣和特征工程提升住宿搜索推荐效果。", "key_points": [ "短期兴趣来自当前 session 行为。", "长期兴趣来自用户历史行为和偏好。", "搜索词 embedding 帮助理解 query 与房源匹配。", "实时排序融合 embedding 特征和业务特征。" ], "follow_ups": [ "短期兴趣和长期兴趣如何权衡？", "搜索推荐和普通推荐有什么不同？", "Embedding 如何作为排序特征？" ], "project_mapping": [ "职位搜索/课程搜索中同时利用 query、用户历史和 item embedding。", "AI 素材库搜索：当前 JD query + 历史复习偏好。" ], "aipm_transfer": "AI PM 做搜索/RAG 产品时要同时理解查询意图、用户长期背景和当前任务上下文。", "tags": [ "airbnb", "search", "embedding" ], "priority": "P0" }, { "number": 40, "chapter": "第8章 前沿实践", "page_hint": "260-268", "title": "YouTube 双阶段推荐", "interview_question": "YouTube 推荐系统为什么采用候选生成和排序两阶段？", "short_answer": "YouTube 面对海量视频，需要先用候选生成模型快速召回几百个候选，再用排序模型精细预测观看时长等目标。两阶段架构兼顾规模、效率和精度。", "key_points": [ "候选生成解决从百万/亿级内容到小候选集的问题。", "排序模型使用更丰富特征进行精细打分。", "训练样本处理和线上服务方式会影响模型目标一致性。", "对新视频偏好的处理体现探索和新鲜度管理。" ], "follow_ups": [ "候选生成和排序模型训练目标是否一样？", "YouTube 为什么关注观看时长？", "如何处理新视频？" ], "project_mapping": [ "AI 学习素材库：先召回候选卡，再按目标岗位和薄弱点排序。", "内容产品推荐系统设计题可以直接套两阶段框架。" ], "aipm_transfer": "两阶段推荐和 RAG 很像：先召回候选知识，再精排并生成用户可消费结果。", "tags": [ "youtube", "candidate-generation", "ranking" ], "priority": "P0" }, { "number": 41, "chapter": "第8章 前沿实践", "page_hint": "268-276", "title": "阿里巴巴推荐模型演进", "interview_question": "阿里推荐模型从 DIN 到 DIEN 等演进背后的主线是什么？", "short_answer": "阿里模型演进主线是问题驱动：围绕电商用户行为和兴趣建模，从注意力激活兴趣，到序列兴趣演化，再到更长行为、多目标和系统架构协同。", "key_points": [ "DIN 关注候选商品对历史兴趣的激活。", "DIEN 关注兴趣随时间演化。", "更复杂模型需要模型服务和系统架构配套。", "工业演进不是论文堆叠，而是围绕业务数据特点设计。" ], "follow_ups": [ "DIN/DIEN 为什么适合电商？", "模型演进如何与工程架构协同？", "如何判断下一代模型该解决什么问题？" ], "project_mapping": [ "讲一个从业务行为观察到模型结构改进的案例。", "AI PM 可类比：从单轮问答到长期记忆、任务序列和工具链。" ], "aipm_transfer": "AI 产品模型演进应从用户任务和失败模式出发，而不是简单追最新模型名词。", "tags": [ "alibaba", "din", "dien", "model-evolution" ], "priority": "P0" }, { "number": 42, "chapter": "第9章 知识框架", "page_hint": "279-285", "title": "推荐工程师的四项能力", "interview_question": "优秀推荐工程师需要哪些核心能力？", "short_answer": "推荐工程师需要算法能力、工程能力、业务理解能力和数据分析/实验能力。推荐系统是强业务、强数据、强工程的综合领域。", "key_points": [ "算法能力：理解模型、特征、召回、排序和优化目标。", "工程能力：数据流、训练、服务、延迟和系统稳定性。", "业务能力：理解用户行为、商业目标和场景约束。", "实验能力：离线评估、A/B 测试、归因和复盘。" ], "follow_ups": [ "推荐工程师和普通算法工程师有什么不同？", "能力的深度和广度如何平衡？", "AI PM 需要掌握到什么程度？" ], "project_mapping": [ "把自己的 AI PM 能力映射到算法、工程、业务、实验四格。", "为一个推荐系统项目分配 PM、算法、工程、数据职责。" ], "aipm_transfer": "AI PM 不必成为推荐工程师，但要能和这些角色对话，理解每项能力对应的产品风险。", "tags": [ "career", "recsys-engineer", "aipm" ], "priority": "P0" }, { "number": 43, "chapter": "全书综合", "page_hint": "全书", "title": "推荐系统面试系统设计框架", "interview_question": "如果面试问“设计一个推荐系统”，应该如何回答？", "short_answer": "先明确业务目标和场景，再拆用户/物品/行为数据，设计召回、排序、策略、评估和工程架构，最后讨论冷启动、实时性、探索、多目标和成本。", "key_points": [ "Step 1：业务目标和主指标/护栏指标。", "Step 2：数据来源、特征和日志闭环。", "Step 3：多路召回、精排、重排和策略层。", "Step 4：离线评估、A/B、监控和迭代。", "Step 5：冷启动、实时性、探索与利用、工程成本。" ], "follow_ups": [ "如何设计短视频推荐？", "如何设计电商猜你喜欢？", "如何设计 AI 学习内容推荐？" ], "project_mapping": [ "直接作为系统设计面试答题框架。", "改造成 RAG/Agent 候选工具推荐系统设计。" ], "aipm_transfer": "AI PM 可用推荐系统框架回答个性化 AI 产品：谁、推荐什么、为什么、怎么评估、怎么避免坏结果。", "tags": [ "system-design", "interview", "framework" ], "priority": "P0" }, { "number": 44, "chapter": "全书综合", "page_hint": "全书", "title": "推荐系统对 AI PM 的价值", "interview_question": "AI PM 为什么要学习推荐系统？", "short_answer": "推荐系统是个性化、行为建模、实验评估、实时反馈和工程权衡的成熟样板。AI PM 学推荐系统，不是为了背模型，而是学习如何把用户行为转化为持续优化的智能产品。", "key_points": [ "个性化 AI 需要用户画像、兴趣建模和上下文理解。", "RAG 与推荐共享召回、排序、embedding 和评估问题。", "Agent 任务编排也需要候选工具/动作选择。", "推荐系统的 A/B、Replay、Interleaving 能启发 AI eval。", "成本、延迟、实时性和多目标是 AI 产品共同约束。" ], "follow_ups": [ "推荐系统和 RAG 有哪些相似点？", "LLM 产品如何做个性化？", "如何避免 AI 推荐造成信息茧房或错误强化？" ], "project_mapping": [ "把面试素材库做成个性化学习推荐系统。", "为企业 AI 助手推荐下一步操作、文档、专家或工具。" ], "aipm_transfer": "这本书可作为 AI PM 的“个性化系统课”：从模型思维升级到产品-数据-工程-评估闭环。", "tags": [ "aipm", "personalization", "study-plan" ], "priority": "P0" } ]