阅读中需要记下的重点：
1、推荐系统推理
（1）针对不同用户或用户群，给出分数从高到底的推荐排序，取top_K展示。评分过程会受算法+人工干预控制；
（2）推荐的本质是销售；学会讲故事，提供解释，说服他人！！
（3）Relational Inductive Biases, Deep Learning, and Graph Networks（关系型归纳偏置、深度学习与图网络），文中提到：关系型归纳偏置会是连接深度学习与知识推理、规划的一个关键桥梁，而打通这一联系的实施者就是持有丰富图结构信息的图网络。一方面，图网络是深度神经网络的延伸，继承了神经网络的超强拟合能力来从数据中发现规律；另一方面，图网络因持有的图结构信息，具备基于关系的组合泛化能力，这为塑造解释性的语言提供了前提，也就是说，构成解释语言的第一步要有图。
（4）概念的形成和提炼，本质是根据当前上下文主动投放注意力的结果，从茫茫的表征空间中筛选出最具信息价值的表示并映射到某个符号，形成概念，构成我们的意识。
2、达观个性化推荐系统实践
（1）个性化推荐、关联推荐、热点推荐；
（2）推荐系统难点分析
-
用户信息量比较大，实际中用户场景变化也是比较大；用户的兴趣也是随着时间不断变化；
不同模型对用户兴趣开发的不同粒度如何去生成结果；
- 冷启动的问题
- 新用户快速的停留下来并进行转化；
-
-
新物品来说缺乏曝光机会，质量是参差不齐的，如在发布的众多视频中如何让好的视频能够快速呈现出来，再自动的逐渐过滤掉和筛选；
-
-
推荐结果的单调性和重复性问题，比如“回声效应”；比如 在APP 首页呈现的是推荐系统推荐的东西，有可能不是你喜欢的东西，如果推荐系统不知道你喜欢什么，那么你永远看不到你喜欢的东西。
-
性能方面；数据量大、数据变化快；
（3）用户画像、物品画像
- 用户画像：可以区分群体画像、个体画像；（群体画像更有利于探索，个体画像有利于沉浸消费）
- 物品画像：新物品进行曝光，已经曝光物品根据收益情况生成物品画像，