资讯详情

推荐模型到底在干什么：条件估计、信息组织与排序决策

大家有没有这种感觉：推荐模型看多了，脑子里全是 FM 做交叉、DIN 做兴趣、Transformer 做序列、RankMixer 做扩展——每个都懂一点，但合在一起就是一张散乱的标签清单。新论文出来就往上贴一张，越贴越碎，始终拼不出一张完整的地图。

后来我发现，换个视角会清晰很多。用"三个层次、一条主线、三条横向约束"来理解，大部分模型都能放回同一个框架里。

三个层次：

层次	核心任务
推荐系统	从候选空间中选择并排列内容
推荐模型	估计用户对候选的响应和候选价值
模型结构	组织信息的表示、交互、聚合和状态更新

贯穿全文的一条主线：

\[\text{原始信息} \longrightarrow \text{模型表示} \longrightarrow \text{信息交互} \longrightarrow \text{用户与候选状态} \longrightarrow \text{条件响应} \longrightarrow \text{候选价值} \longrightarrow \text{排序决策} \]

三条横向约束分别是：哪些信息应该共享参数，这条计算链能不能稳定训练，以及它能不能在推荐系统的延迟和吞吐要求下跑起来。这三条不是某个模块的专属问题，而是同时压在表示、交互、状态和预测每一段上。

后面出现的 MLP、FM、DCN、RNN、Attention、残差连接和 RankMixer，都可以放回这条主线。它们不是一堆彼此独立的技巧，而是在改变这条链上某一段的信息处理方式。

推荐模型为列表决策提供依据

推荐发生在一个具体时刻。系统面对的是处于当前状态的用户、当时可用的内容、具体的展示场景，以及用户已经产生的行为历史。

给定用户 \(u\)、场景 \(c\)、历史 \(H_u\) 和可用物品集合 \(\mathcal I\)，推荐系统最终需要输出一个有序列表：

\[A=(i_1,i_2,\ldots,i_K) \]

理想目标可以写成：

\[A^* = \arg\max_{A\in\mathcal A(u,c)} \mathbb E \left[ R(A;u,c) \mid u,c,H_u \right] \]

\(R\) 表示列表产生的综合价值，可以包含用户体验、内容消费、长期留存和业务价值。这里有一个容易忽略的点：整个推荐系统的最终对象是内容选择与列表决策，而不是单独预测一个点击标签。 精排模型的 AUC 只是中间站，不是终点。

工业推荐把这个大问题拆成不同阶段：

阶段	在系统中的作用	常见模型输出
召回	从大规模内容库中找到可能相关的候选	用户—物品匹配分数
粗排	用较低成本继续压缩候选集合	近似价值分数
精排	使用完整信息估计多种用户响应	点击、时长、互动、转化等预测
融合	将不同响应转换成可比较的候选价值	综合排序分数
重排与混排	组织候选之间的关系并满足列表约束	最终有序列表

为了后面讨论有个具体的锚点，用一个短视频精排请求作为贯穿全文的例子：某位用户晚上打开应用，历史里既看过篮球内容，也看过钢琴内容；当前候选里同时出现篮球教学、钢琴演奏和其他视频。

信息链位置	在这个请求中的具体含义
原始信息	用户属性、历史行为、候选内容、当前时间和入口
模型表示	用户、视频、作者、品类和每条历史行为的向量
信息交互	用户与候选、候选与历史、历史与历史之间的关系
用户状态	面向当前候选整理出的兴趣表示
条件响应	点击、观看时长、点赞等预测
候选价值	多个响应经过业务规则或价值模型后的综合分数
排序决策	候选之间比较后形成的展示顺序

后文谈到 Embedding、MLP、Attention、DIN 或 RankMixer 时，都可以放回这个请求来看：它们究竟改变了哪一段信息处理过程。

所以，"行为预测"适合描述精排模型的一项核心任务，但不能直接概括整个推荐系统。对精排模型，用"条件响应估计"更准确：

\[s_k(u,i,c,H_u) \approx \mathbb E \left[ Y_k \mid u,i,c,H_u,E=1 \right] \]

\(Y_k\) 可以是点击、观看时长、点赞或转化，\(E=1\) 表示候选获得了曝光。对于二元行为，这个条件期望就是行为概率；对于观看时长，它可以是期望时长或某种分布预测。

训练时，这类模型通常具有共同的监督学习形式：

\[\hat\theta = \arg\min_\theta \frac{1}{n} \sum_{m=1}^{n} \ell \left( y_m, f_\theta(x_m) \right) + \lambda\Omega(\theta) \]

其中 \(x_m\) 包含用户、候选、场景和历史，\(\ell\) 衡量预测与标签的差异，\(\Omega\) 用来约束模型复杂度。LR、GBDT、FM 和深度排序模型都可以放进这个形式。它们真正不同的地方，不是"是否做监督学习"，而是 \(f_\theta\) 允许怎样组织信息、怎样形成关系、怎样共享参数。

点击和时长是能够被系统记录的行为信号，它们是用户体验的代理，而不是用户心理状态本身。模型首先要把这些可观测目标估计准确，系统再决定怎样将它们组合成最终价值。把"预测点击"等同于"理解用户"，这中间隔着一层。

多个响应还要进一步转换为候选价值：

\[V(u,i,c) = G \left( s_{\mathrm{click}}, s_{\mathrm{duration}}, s_{\mathrm{like}}, s_{\mathrm{conversion}}, \ldots \right) \]

到了这里，推荐系统、推荐模型和模型结构的边界就清楚了：

• 推荐系统决定最终展示什么；
• 推荐模型为这个决策提供响应和价值估计；
• 模型结构决定这些估计如何由输入信息计算出来。

接下来真正需要理解的，就是第三层：模型怎样把分散的信息组织成一个可用于当前候选预测的状态。

一条信息链统一推荐模型结构

先把用户字段、物品字段、上下文和历史行为统一看成"模型中的基本信息单位"。设第 \(i\) 个信息单位在第 \(l\) 层的表示为：

\[h_i^{(l)}\in\mathbb R^D \]

\(i\) 可以是一项用户属性、一个物品字段、一条历史行为，也可以是已经形成的用户兴趣状态。

一层推荐模型可以用三个动作概括。

第一步是收集相关信息：

\[m_i^{(l)} = \operatorname{Aggregate}_{j\in\mathcal N_l(i)} M_l \left( h_i^{(l)}, h_j^{(l)}, r_{ij}, q \right) \]

别被公式吓到。它只是在说：

• \(\mathcal N_l(i)\)：第 \(i\) 个信息单位能看到谁；
• \(M_l\)：两份信息用加法、乘法、内积还是 Attention 建立关系；
• \(r_{ij}\)：两者之间的位置差、时间差或关系类型；
• \(q\)：当前候选、场景或任务等额外条件；
• \(\operatorname{Aggregate}\)：把多份信息求和、平均、拼接或加权汇总。

第二步是根据汇总信息形成新状态：

\[\tilde h_i^{(l+1)} = U_l \left( h_i^{(l)}, m_i^{(l)} \right) \]

第三步是决定旧状态保留多少、新状态写入多少：

\[h_i^{(l+1)} = S_l \left( h_i^{(l)}, \tilde h_i^{(l+1)} \right) \]

模型最后再通过预测头输出点击、时长或转化等结果：

\[\hat y_k = \operatorname{Head}_k \left( \operatorname{Readout} \left( \{h_i^{(L)}\} \right) \right) \]

下面这张表可以用来理解不同结构：

结构维度	我关注的内容	常见选择
信息单位	模型把什么看成一个独立对象	字段、行为、候选、兴趣 token
连接方式	哪些对象可以交换信息	全连接、局部连接、时间链、候选到历史
关系函数	两份信息怎样发生作用	加法、乘积、内积、MLP、Attention
聚合方式	多份信息怎样汇总	求和、平均、最大值、动态加权
状态更新	新旧信息怎样结合	替换、递归、门控、残差
参数共享	哪些对象共用同一套规则	全共享、字段专属、任务专家、MoE
任务输出	内部状态变成什么预测	单目标、多目标、价值分数

这样再看常见模块，它们就不再处于同一个混乱层级：

模块	在信息链中的主要位置
Embedding	把离散 ID 转换成可计算表示
MLP / FFN	在一个表示内部进行线性混合和非线性变换
FM / DCN	给字段关系加入明确的乘法或低秩交互
Attention	根据当前输入动态决定谁读取谁
RNN / LSTM	沿时间顺序更新用户状态
位置与时间编码	给行为状态加入顺序和时间坐标
残差连接	保留旧状态并提供更直接的梯度路径
归一化	控制不同层表示的数值尺度
反向传播	沿整个计算图分配误差并更新参数

反向传播不是一种特征交互。候选和历史之间如果没有前向计算路径，梯度不能凭空学出候选相关兴趣；当前向路径已经存在但难以训练时，残差、归一化和优化器配置才成为主要问题。不是所有问题都能靠"加一层"解决。

有了这张地图，下面所有内容都可以沿着同一条信息链展开：先形成表示，再让信息发生关系，然后把关系汇总成用户与候选状态。

推荐信息进入向量空间

推荐数据同时包含用户 ID、物品 ID、类别、作者、设备、统计量和行为序列。模型不能直接理解这些业务含义，只能接收数值和向量。

一个离散 ID 的 Embedding 可以写成：

\[e_j=E^\top x_j \]

\(x_j\) 是 one-hot 向量，\(E\) 是 Embedding 表。直观上，这相当于为每个离散标识找到一组可以参与后续计算的连续坐标。

Embedding 不只是降维。它还在决定后续怎样共享信息：

• 同一个 ID 在不同样本中使用同一个向量；
• 相似对象可以在训练中形成相近方向；
• 一个特征向量可以参与它与许多其他字段的交互；
• 新物品如果没有行为，只能依赖内容、类别等可共享表示。

更重要的是，模型怎样切分这些向量，会直接决定后续结构：

• 把所有字段拼成一个大向量，MLP 会把它们作为整体处理；
• 把每个字段保留为 token，Attention 可以组织字段之间的关系；
• 把每条历史行为保留为 token，序列模型可以利用顺序和上下文；
• 把候选单独作为 Query，模型可以用候选选择相关历史。

所以，特征工程、Embedding 和 token 化并不是网络之前的边角料，它们在定义模型能够看到什么，以及模型把什么当成一个独立的信息单位。很多"模型不行"的问题，根源其实在 Embedding 层的切分方式上。

MLP 形成基础条件函数

推荐模型经常把用户、候选、场景和历史表示拼在一起，再送入 MLP：

\[h^{(l+1)} = \sigma \left( W_lh^{(l)}+b_l \right) \]

矩阵 \(W_l\) 不只是把数字放大或缩小。它的每一行都在把多个输入坐标混合成一个新的判断方向：

\[z_r=w_r^\top h+b_r \]

如果激活函数使用 ReLU：

\[[z]_+=\max(0,z) \]

那么一个神经元可以理解成"带方向和阈值的线性判断单元"：满足条件的一侧保留响应，另一侧输出零。同一层放入更多神经元，就能并行保留更多不同方向和阈值的响应。

宽度和深度可以这样理解：

宽度增加同一层能够并行保留的响应通道；深度增加这些中间响应被继续组合和复用的次数。

举个例子，当 \(x_1,x_2\in\{0,1\}\) 时：

\[[x_1+x_2-1]_+ = x_1x_2 \]

这个神经元只在两个条件同时成立时激活。在推荐中，它可以对应"用户满足某个条件，并且候选属于某个品类"。

深度的作用可以通过一个简单函数观察：

\[g(x) = 2[x]_+ - 4\left[x-\frac12\right]_+ + 2[x-1]_+ \]

\(g\) 在 \([0,1]\) 上是一条有两个线性片段的三角波。再计算 \(g(g(x))\)，可以形成四个片段；连续复合 \(L\) 次，可以形成 \(2^L\) 个片段。这个例子说明，深层网络能够反复使用前一层已经形成的局部变换。

通用逼近定理告诉我们，足够宽的前馈网络可以在有限范围内逼近连续函数。但这只是"存在某组参数"的结论，并没有保证所需网络很小、有限数据能够识别它，也没有保证梯度下降一定找得到。

这也是 MLP 不能当万能答案的原因：它理论上能表示某种关系，不等于它会用有限样本和有限训练预算轻松学到这种关系。

推荐信息形成联合证据

有了向量表示以后，下一步是让用户、候选和场景共同形成判断依据。

"特征交互"可以理解为：

一个特征对结果的作用，会随着另一个特征的取值而改变。

比如，"年轻用户"本身不必然提高点击率，"篮球视频"本身也不必然提高点击率，但"年轻用户看到篮球视频"可能产生额外作用。这个额外部分就是联合关系。

线性模型使用加法结构：

\[s(x)=b+\sum_jw_jx_j \]

如果没有提前加入交叉项，一个特征的作用不会随着另一个特征改变。

GBDT 和 XGBoost 使用树路径形成条件组合。一棵树可以写成：

\[T(x) = \sum_{r} w_r \mathbf 1 \left[ x\in R_r \right] \]

\(R_r\) 是由多次特征判断形成的区域。一条路径可以表达"年龄小于某个值、最近看过篮球、当前处于晚间"这样的联合条件。多棵树再逐轮相加：

\[f_M(x) = \sum_{m=1}^{M} \eta T_m(x) \]

所以树模型同样在学习特征关系，只是它把关系组织成分段规则，而不是连续向量中的多层变换。

FM 把二阶关系直接写入预测函数：

\[s_{\mathrm{FM}}(x) = b+\sum_iw_ix_i + \sum_{i<j} \langle v_i,v_j\rangle x_ix_j \]

乘积 \(x_ix_j\) 明确规定两个特征同时参与，向量内积 \(\langle v_i,v_j\rangle\) 则让同一个特征可以在多种组合中共享统计规律。

DCN-V2 让原始输入在每个交叉层继续参与乘法：

\[x_{l+1} = x_0\odot \left( W_lx_l+b_l \right) + x_l \]

FM 和 DCN 的共同点，是把乘法关系写进网络结构，为这类关系提供更短、更直接的计算路径。

MLP 也可以形成非加法的联合关系，只是交互被分散在权重、激活状态和多层组合中。它没有为某一对字段预留一个可以直接命名的乘积项，所以通常被称为隐式交互。

Attention 则进一步形成动态交互：

\[Q=XW_Q,\qquad K=XW_K,\qquad V=XW_V \]

\[s_{ij} = \frac{q_i^\top k_j}{\sqrt{d_k}} = \frac{x_i^\top W_Q^\top W_Kx_j}{\sqrt{d_k}} \]

\[y_i = \sum_j \operatorname{softmax}_j(s_{ij})v_j \]

\(s_{ij}\) 同时依赖 \(x_i\) 和 \(x_j\)，因此在数学上已经形成两者的关系；随后，模型根据当前样本计算出的权重汇总其他信息。

所以 Attention 可以定义为：

一种随当前输入变化的信息交互与加权汇总方式。

它可以被理解为特征交互，但不能直接等同于传统的显式乘积。它显式计算"谁与谁相关"，输出的却是融合上下文后的新表示，而不是一个单独保存的 \(x_ix_j\)。

同一个 Attention 公式，在推荐中的作用取决于 Q、K、V 分别代表什么：

信息单位	Attention 在推荐中的作用
特征字段之间	形成动态字段关系
历史行为之间	形成行为上下文
候选作为 Query、历史作为 Key/Value	提取候选相关兴趣
场景或任务作为 Query	按当前条件选择信息

在自然语言模型中，Attention 让一个词融合句子中其他词的信息；在推荐中，它可以让一条行为融合其他行为，也可以让候选读取用户历史。数学算子相同，信息单位和业务含义不同。这个区别看起来简单，但实际做模型设计时很容易混淆。

历史行为形成当前用户状态

字段发生交互以后，历史行为还需要形成一个能够服务当前预测的用户状态。

这里的"状态"不是对用户真实心理的完整还原，而是模型为当前任务构造的压缩表示。它只需要保留对当前预测有用的信息。模型只是在做一个高效的压缩和匹配，离"理解用户"还差得远。

最简单的方式是求和或平均：

\[h_u = \operatorname{Pool} \left( e_1,e_2,\ldots,e_T \right) \]

这种表示稳定、便宜，适合描述总体偏好；代价是行为顺序消失，不同兴趣被压进同一个固定向量，所有候选都使用同一份用户表示。

RNN 沿时间递归更新状态：

\[h_t = F \left( h_{t-1},e_t \right) \]

\(h_t\) 汇总了到时间 \(t\) 为止的历史。顺序天然进入模型，但较早信息需要沿着连续状态逐步传递。

Self-Attention 让每条行为直接读取其他行为：

\[h_t' = \sum_j \alpha_{tj}W_Ve_j \]

模型不再只维护一个逐步压缩的摘要，而是保留一组包含上下文的行为状态。位置编码和时间编码告诉模型这些行为发生的先后和间隔；没有这些信息时，Self-Attention 更接近处理一个内容集合。

DIN 使用当前候选对历史行为进行加权：

\[h(u,i) = \sum_{t=1}^{T} \alpha \left( e_i,e_t \right)e_t \]

同一用户面对篮球鞋和钢琴课程时，可以形成不同的 \(h(u,i)\)。它改变的不是简单的"交叉数量"，而是把候选条件放到历史压缩之前，让模型先判断哪些历史与当前候选相关，再形成用户状态。

Pooling、RNN、Self-Attention 和 DIN 并不是同一种结构的替代版本，它们分别表达：

• Pooling：用户整体看过什么；
• RNN：用户状态怎样随时间推进；
• Self-Attention：不同行为怎样相互提供上下文；
• DIN：当前候选应该读取哪部分历史；
• DIEN：兴趣怎样演化，并怎样受到当前候选影响。

到这里，推荐模型的主计算链已经形成：原始信息进入向量空间，字段和行为发生关系，历史被整理成与当前候选相关的状态。接下来需要处理的是：这些能力怎样被有限参数稳定学到，并在工业系统中高效运行。

共享、训练与计算让结构真正生效

参数共享积累可复用规律

推荐数据极其稀疏。一个具体的用户—物品组合可能只出现一次，很多组合从未出现。模型要获得泛化能力，就必须让不同样本和不同组合共享一部分参数。

FM 中，同一个特征向量会参与它与多个其他特征的交互；RNN 在所有时间步复用同一个状态更新函数；Transformer 的不同位置共享 QKV 投影和 FFN；多任务模型则让点击、时长和转化共享底层表示。

共享参数相当于假设"这些对象可以使用一部分共同规律"。它能够减少样本需求，但共享过强也会带来干扰：

• 高频字段可能压制长尾字段；
• 用户 ID 与设备统计量未必适合相同变换；
• 点击任务和转化任务可能需要不同信息；
• 不同兴趣子空间可能需要专门参数。

因此，推荐模型通常在一条连续线上选择：

\[\text{完全共享} \longrightarrow \text{共享主干与专属分支} \longrightarrow \text{字段专属参数} \longrightarrow \text{Per-token 参数} \longrightarrow \text{动态专家} \]

"参数更多"不等于"能力更强"。真正需要判断的是：哪些规律应该共享，哪些信息需要专门处理。

残差与归一化维持深层计算

模型有了合适的信息连接方式，并不代表它一定能够训练好。网络加深后，原始信息可能被不断改写，梯度也需要穿过更长的计算路径。

残差连接写成：

\[h^{(l+1)} = h^{(l)} + F_l \left( h^{(l)} \right) \]

它让每一层学习"在当前状态上增加什么修正"，而不是从头生成完整状态。其梯度中包含：

\[\frac{\partial h^{(l+1)}}{\partial h^{(l)}} = I + \frac{\partial F_l}{\partial h^{(l)}} \]

恒等项 \(I\) 为已有信息和梯度提供一条更直接的路径。残差主要改善状态保持和深层训练，并不会自动创造新的字段关系。

归一化则控制不同层表示的数值尺度，让连续堆叠的 Attention、FFN 和交互模块更稳定。门控结构进一步决定旧信息保留多少、新信息写入多少。

三者放在不同位置理解：

• 交互模块决定什么信息能够相互影响；
• 残差和门控决定新旧状态怎样结合；
• 归一化帮助连续计算保持稳定；
• 反向传播沿这些已经存在的路径更新参数。

多任务结构组织多个响应目标

推荐模型往往同时预测点击、时长、互动和转化。多任务学习不仅是在输出层多放几个预测头，还要决定任务之间怎样共享信息。

ESMM 把点击—转化漏斗写成概率关系：

\[P(C=1,V=1\mid X) = P(C=1\mid X) P(V=1\mid C=1,X) \]

MMoE 和 PLE 则用共享专家、任务门控和专属分支组织多个任务。它们主要改变的不是字段怎样交叉，而是点击、转化等任务怎样共享底层表示，以及怎样减少相互干扰。

这也说明，模型结构不只存在于"特征交互层"。标签之间的关系、任务之间的共享方式，同样可以被写进计算图。

RankMixer 平衡字段交互与工业效率

RankMixer 面向工业排序中的大量异构字段。它保留"先交换信息、再进行非线性变换"的基本思路，但没有使用标准 Self-Attention。

一个 RankMixer Block 可以概括为：

\[S = \operatorname{LN} \left( \operatorname{TokenMix}(X)+X \right) \]

\[X' = \operatorname{LN} \left( \operatorname{PFFN}(S)+S \right) \]

Token Mixing 把不同 token 的信息切分后重新排列，为跨字段通信建立固定通路。它不为每个样本计算 \(T\times T\) 的动态关系矩阵。

Per-token FFN 则让不同 token 使用不同参数：

\[\operatorname{PFFN}_t(s_t) = W_{2,t} \operatorname{GELU} \left( W_{1,t}s_t+b_{1,t} \right) + b_{2,t} \]

因此，RankMixer 的选择可以归纳为：

• 用固定重排换取低成本的全局信息交换；
• 用 token 专属 FFN 处理异构特征子空间；
• 用残差和归一化支持深层堆叠；
• 用规则矩阵计算提高硬件利用率。

它不是对 Attention 的普遍替代，也不必替代 DIN 或序列 Transformer。序列模块可以先形成用户状态，RankMixer 再负责排序阶段的异构字段交互。它展示的是另一种结构思路：模型能力不仅来自数学表达，也来自参数怎样放置、计算怎样执行。

常见模型落在同一张结构地图上

当我把常见模型放进同一张表时，模型之间的关系会清楚很多：

模型	主要阶段	基本信息单位	主要关系或状态	参数组织	形成的能力
双塔召回	召回	用户向量、物品向量	末端内积匹配	用户塔与物品塔分离	大规模候选检索
LR	排序	稀疏标量特征	一阶加性关系	特征独立权重	稳定线性基线
GBDT / XGBoost	粗排或排序	数值与离散统计特征	树路径形成分段条件	逐轮增加决策树	自动学习条件规则
FM	排序	稀疏字段及隐向量	低秩二阶交互	向量跨组合共享	稀疏组合泛化
Wide & Deep	排序	人工交叉与 Embedding	线性记忆与 MLP 并行	Wide、Deep 分支协同	精确规则与共享泛化并存
DeepFM	排序	字段 Embedding	FM 与 MLP 并行	共享 Embedding	低阶交互与自由非线性组合
DCN-V2	排序	拼接后的字段表示	逐层乘性交互	Cross 与 Deep 分支	有界阶数的显式交互
AutoInt	排序	特征字段 token	字段 Self-Attention	QKV 跨字段共享	样本相关的字段关系
DIN	排序	候选与历史行为	候选相关聚合	激活网络跨行为共享	候选条件化兴趣
DIEN	排序	行为序列与候选	兴趣递归演化与候选更新	参数跨时间共享	兴趣演化与目标相关性
SASRec	序列推荐	带位置的行为 token	因果 Self-Attention	参数跨位置共享	序列上下文状态
RankMixer	排序	异构 feature token	固定 Mixing 与 PFFN	token 专属参数	高效字段通信与容量扩展
ESMM	多目标排序	多阶段标签与共享表示	点击—转化概率链	任务分支共享	漏斗目标联合建模
MMoE / PLE	多目标排序	多任务状态	专家与任务门控	动态任务共享	多任务专门化

这张表不是模型排行榜。从中可以看到四条结构变化：

信息关系从固定走向条件化。
LR 使用加性关系，FM 和 DCN 写入乘法关系，Attention 根据当前样本动态决定交互权重。

用户表示从固定走向候选相关。
Pooling 得到统一用户向量，RNN 和 Self-Attention 加入顺序与上下文，DIN 进一步让当前候选参与兴趣选择。

参数组织从全共享走向有选择的专门化。
低秩向量、共享 FFN、任务专家、Per-token FFN 和 MoE，分别在统计共享与角色专门化之间选择不同位置。

结构设计从单纯追求表达走向同时考虑执行。
双塔通过分离编码支持大规模检索，RankMixer 通过规则计算和参数布局支持工业扩展。

所以，推荐模型的发展不只是"交叉越来越多"或"参数越来越大"，而是在持续调整信息单位、连接方式、状态形式、共享范围和计算结构。有了这个视角，就不会被新模型的名字牵着走，而是能快速判断它到底改了哪一段。

统一框架指导模型优化

统一框架最重要的价值，是能够定位优化方向，而不是轮流尝试热门模型。

实际阅读一篇论文或诊断一个线上模型时，通常先画三张简单的图：

• 输入图：模型接收哪些信息，又把什么切成独立字段、行为或 token；
• 信息流图：谁能看见谁，候选和场景在什么时候进入，历史又在什么时候被压缩；
• 参数与计算图：哪些位置共享参数，哪些位置使用专属参数，主要计算量落在哪里。

这三张图分别对应"模型知道什么""模型怎样形成判断"和"这套能力能否被数据学到并在线上运行"。模型名称会变化，但这三个问题长期稳定。

沿着同一条信息链逐层检查：

\[\text{目标} \longrightarrow \text{输入信息} \longrightarrow \text{表示单位} \longrightarrow \text{连接与交互} \longrightarrow \text{用户状态} \longrightarrow \text{参数共享} \longrightarrow \text{训练稳定性} \longrightarrow \text{计算成本} \]

观察到的现象	优先检查的结构位置	对应方向
增大 MLP 收益很小	目标、输入和交互形式	补充有效信息，调整交互结构
重要组合始终难学	关系函数	FM、DCN 或字段关系模块
同一用户面对不同候选表示相同	历史聚合位置	候选相关聚合或 DIN
长序列没有明显收益	时间信息和状态形成	顺序编码、时间编码、去噪和序列结构
高频字段压制长尾字段	参数共享范围	Field-aware、Per-token FFN 或专家结构
深层模型连训练集都难拟合	信息与梯度通路	残差、归一化、初始化和优化器
多任务相互拖累	任务共享方式	MMoE、PLE 或梯度协调
离线增益无法满足线上延迟	计算结构	分阶段、蒸馏、量化、Mixer 或稀疏专家

结构判断还需要受控实验支撑。几个基本原则：

• 固定数据切分、标签、特征和采样方式；
• 分别做等参数量和等 FLOPs 比较；
• 每次只改变一个主要结构因素；
• 同时观察总体指标、关键用户分组、校准、训练成本和线上延迟；
• 使用多个随机种子或置信区间判断微小收益是否稳定。

一些实验现象可以形成较明确的证据：

• 训练集和验证集都随宽度改善，说明容量仍可能有用；
• 训练集改善而验证集停滞，说明限制更接近泛化、样本或正则化；
• 等预算下 FM 或 DCN 稳定优于 MLP，说明乘性交互结构更适合当前数据；
• 打乱历史顺序后效果下降，说明模型确实利用了顺序信息；
• 更换候选 Query 后用户状态几乎不变，说明候选条件化路径没有真正发挥作用；
• 增加深度后训练损失也无法下降，说明训练通路比表达容量更值得优先检查；
• 精度接近而延迟差异明显，说明优化对象已经转向执行方式。

一次结构优化可以写成：

\[\text{业务现象} \longrightarrow \text{结构判断} \longrightarrow \text{受控实验} \longrightarrow \text{证据结论} \longrightarrow \text{定向调整} \]

这套方法不能保证一次找到最优模型，但它能让实验具有明确目的：每个改动都在验证某一种信息处理假设，而不是只看模型名字是否更新。

结语

用三个递进层次总结全文：

推荐系统在多重条件和约束下完成候选选择与列表决策。

推荐模型通过条件响应估计和候选价值建模，为这个决策提供依据。

模型结构通过表示、交互、聚合、状态更新、参数共享和任务输出，实现这些估计。

理解一个推荐模型时，不再只问它用了 MLP、Attention 还是残差连接，而是沿着完整信息链判断：

• 它把什么定义为基本信息单位；
• 它让哪些信息发生关系；
• 它使用什么函数表达关系；
• 它怎样把历史整理成当前用户状态；
• 它是否让候选和场景在合适的时间进入计算；
• 它怎样共享参数并保持训练稳定；
• 它的输出怎样进入候选价值和最终排序。

推荐模型的发展不是简单地增加参数或增加特征交叉。它是在持续改变信息的表示方式、连接方式、状态形式、共享范围和执行结构，让模型能够在有限数据、训练预算和线上成本下，形成更有效的条件估计。

参考文献

• Hornik et al., Multilayer Feedforward Networks are Universal Approximators, 1989.
• Friedman, Greedy Function Approximation: A Gradient Boosting Machine, 2001.
• Chen and Guestrin, XGBoost: A Scalable Tree Boosting System, 2016.
• Cheng et al., Wide & Deep Learning for Recommender Systems, 2016.
• Rendle, Factorization Machines, 2010.
• Guo et al., DeepFM: A Factorization-Machine based Neural Network for CTR Prediction, 2017.
• Wang et al., Deep & Cross Network for Ad Click Predictions, 2017.
• Wang et al., DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems, 2020.
• Zhou et al., Deep Interest Network for Click-Through Rate Prediction, 2018.
• Zhou et al., Deep Interest Evolution Network for Click-Through Rate Prediction, 2019.
• Kang and McAuley, Self-Attentive Sequential Recommendation, 2018.
• Song et al., AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks, 2019.
• Vaswani et al., Attention Is All You Need, 2017.
• He et al., Deep Residual Learning for Image Recognition, 2016.
• Ma et al., Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate, 2018.
• Ma et al., Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts, 2018.
• Tang et al., Progressive Layered Extraction: A Novel Multi-Task Learning Model for Personalized Recommendations, 2020.
• Covington et al., Deep Neural Networks for YouTube Recommendations, 2016.
• Zhu et al., RankMixer: Scaling Up Ranking Models in Industrial Recommenders, 2025.
• Montúfar et al., On the Number of Linear Regions of Deep Neural Networks, 2014.
• Telgarsky, Benefits of Depth in Neural Networks, 2016.