搜广推校招面经四十七
字节 推荐算法
一、postln和preln介绍一下
1.1. Post-Layer Normalization (PostLN)
PostLN 是 Transformer 模型中的经典设计，将Layer Normalization放在残差连接之后。这意味着，在每个子层（如多头自注意力机制或前馈神经网络）处理完输入并添加了残差连接后，才会应用Layer Normalization。具体形式如下：
- 特点：
- 在深层 Transformer 中，容易导致梯度不稳定的问题，因为Layer Normalization可能会引入额外的梯度消失风险
- 需要较小的学习率和 warm-up 阶段来稳定训练。
1.2. Pre-Layer Normalization (PreLN)
PreLN 是一种改进的设计，是在残差连接之前就应用Layer Normalization
- 特点：
- 训练更稳定，尤其是在深层 Transformer 中。也不需要 warm-up 阶段，可以使用较大的学习率。
- 通常比 PostLN 表现更好，可以使得每一层接收到的输入更加标准化，有助于缓解梯度消失问题
1.3. 对比总结
| 特性 | PostLN | PreLN |
|---|---|---|
| LN 位置 | 子层输出后 | 子层输入前 |
| 训练稳定性 | 较差，需要 warm-up | 较好，无需 warm-up |
| 深层模型表现 | 较差 | 较好 |
| 实现复杂度 | 简单 | 简单 |
推荐使用：在深层 Transformer 模型中，PreLN 通常是更好的选择。
二、了解行为序列建模？介绍SIM，softsearch和hardsearch分别是什么。
见【搜广推校招面经二十八】、【搜广推校招面经十二】
- SIM（Search-based Interest Model）是由阿里妈妈提出的一种基于搜索的用户兴趣建模方法，旨在解决如何利用用户的长期行为序列数据进行点击率（CTR）预测的问题。
- 在推荐系统和广告系统中，SIM模型通过两阶段的搜索机制来处理超长用户行为序列，并从中提取出与当前候选商品相关的用户兴趣
2.1. SIM概述
SIM模型主要由两个单元组成：通用搜索单元（General Search Unit, GSU）和精确搜索单元（Exact Search Unit, ESU）。GSU负责从原始的、任意长度的用户行为数据中筛选出与特定候选商品相关的子序列（SBS），而ESU则进一步对这些筛选后的子序列进行详细建模，以捕捉用户对于该候选商品的具体兴趣点
2.2. 通用搜索单元（General Search Unit, GSU）
根据候选物品的信息，对用户的长期行为序列进行搜索，得到长期行为序列的子集，这里称为Sub user Behavior Sequence (SBS)。对应文章中hard-search的方法就是使用候选item的类别信息，找到用户行为序列中相同类别的item作为SBS。
2.2.1. Soft Search
Soft Search是一种参数化的搜索方式，
- 首先将用户的行为和候选商品表示为向量形式，然后通过计算这些向量之间的相似度（通常采用内积的方式）来检索出最相关的Top-K个用户行为。
这种方法依赖于深度神经网络（DNN）来学习每个候选行为序列的嵌入表示，并使用近似最近邻搜索算法（例如ALSH或MIPS）加速搜索过程。
尽管Soft Search的效果较好，但由于其计算成本较高，在实际部署时可能会面临性能瓶颈。
2.2.2. Hard Search
hard Search则采取了一种更为直接且无参数的方法，
- 根据某种规则或策略（如商品类别匹配）直接筛选出与候选商品相关的行为。例如，在电商场景下，如果候选广告属于“电子产品”类别，则只选择用户历史行为中同样属于该类别的项目作为候选集。
Hard Search虽然可能不如Soft Search准确，但其实现简单，计算效率高，非常适合在线服务环境中的快速响应需求