从精排切换成深度学习以来，工业界一直会把排序的模型结构研究切分成基本的两部分，序列处理和特征交叉，甚至有一些公司的排序组，下面都拆成两个Team分别处理行为序列和特征交叉。从最早的时候，比如序列用DIN来处理，序列就被压成了一个或多个向量表征，再参与与其他特征的交叉。我们可以理解成MLP(concat(DIN, Features))，发展到今天大多数的模型研究，还是分立地把MLP换成DCN，增加个LHUC，复杂化为Rank Mixer或Transformer，把DIN叠加MHA，直接换成Transformer，可以写成RankMixer(concat(Transformer, Features))。 从MLP(concat(DIN, Features))到RankMixer(concat(Transformer, Features))，本质没有变，就是序列处理和特征交叉是一个隐式的两阶段处理，序列被压缩到Vector Space才和特征发生交叉。而LLM的有趣之处，就是在Next Token Prediction利用到的交叉发生在词序列的Token Space之中，它能启发推荐排序模型的，就是每一个特征的交叉应该发生在用户序列的Token Space之中。

从 Optimus 的手和纯视觉自动驾驶说起：推荐系统该用哪些模态，又该向 LLM 学什么。

用信息瓶颈理论重看推荐系统：召回、粗排、精排、重排，每一级都是一个信息瓶颈。

笛卡尔积特征这类高 ROI 优化，短期涨指标、长期伤系统。推荐系统的管理者要算清这笔账。

把推荐模型从 CPU 搬到专业级 GPU，关键是混合精度和 Tensor Core；把维度设成 64 的倍数，是最便宜的一步优化。

追最新论文不等于技术深度。落地一个方法，有效时知道为什么有效，无效时知道问题在哪，才是。

点击率涨了就该全量吗？AB 实验里「率」的陷阱，以及为什么要把整个 App 当成一个整体看指标。

离线批量算全量物品的 K 近邻，不必在线部署 faiss：一个跑在 MapReduce 上的开源向量检索工具。

给创业做内容社区的同学设计的实时推荐系统：item-based 协同过滤加实时行为反馈，会写代码就能一天上线。