做策略算法的核心思路方向，以及其方法论：
1、对业务场景有深刻的认知，其中一个重要的议题是，在什么样的场景下，对什么样的目标来建模。
像普通的一些思路，在计算广告、推荐算法、电商等领域。大规模运用到排序，召回阶段的很多建模思路：比如一些隐式向量召回的建模，ctr预估的建模，时长，roi回报率的建模等等都已是直觉上就能想到的思路，并且就算在较小的系统规模下也会得到运用。而在一个更加复杂以及精细化的系统中，其中很多子项都可能有建模空间，比如之前提到的兴趣点预估，用户预估，相关性预估，重复预估模型，比如广告领域，动态生成广告词的文本生成模型，词包拓展的语言模型等可能跟业务场景，商业模式都有比较紧密的联系。但这其中也并不是所有模型都能有效提升，这跟选择的训练样本的量级（人工标注规模有限，场景特性也可能导致规模受限），样本处理方式（如何过滤噪音数据，如何从数据中获得label，如何人工生成样本等），能用的特征，模型目标设计等可能都有影响。
从方法论的角度来讲，要从建模的必要性，可能性，以及建模后潜在提升空间的大小来评估。
2、特征设计与挖掘，模型调优
这其实是一个比较宽泛的说法，所谓的用户画像，资源标签等，都是算法所涉及的部分，对场景的描述，对用户，资源内容的挖掘等等。这一块，也有许多通用的做法。nlp获取的文本信息特征，embedding迁移，cv获取的图像特征。
在模型调优这方面，也是非常重要的一环，特征的构造，结构调整（rnn，lstm，attention，embedding，bn，activation function，loss function，optimizer，learning rate，bitch size....）
从方法论的角度来讲，首先要有评估方案，离线评估特征，模型的效果，在线实验评估真实收益，
网友评论