企业官网建设流程全解析

一、用户兴趣建模 属于离线模型吗？

结论：主体是「离线训练 + 在线实时推理」

• 训练阶段：完全离线用过去几天 / 几十天的用户行为日志，离线训练模型（DIN/DIEN/SIM），凌晨全量跑任务、更新模型权重。

• 向量生成：分两种

  1. 离线生成用户兴趣向量每天凌晨批量给全量用户算好兴趣向量，存到Redis / 向量池 / Hive，线上直接查，不用实时算。

  2. 在线实时推理用户当下刷广告、产生新点击 / 浏览，实时更新行为序列，实时走模型推理，刷新兴趣向量。

模型训练 = 离线；兴趣向量可离线预计算，也可在线实时更新。

二、需要实时预估吗？

业务答案：不需要实时训练，但需要实时推理

• 不用每秒重新训练模型参数

• 但用户行为在变（刚点了口红广告），必须实时刷新兴趣向量，否则推荐还是旧偏好，效果崩。

模型几天 / 一周更一次就行；用户兴趣向量跟着用户行为实时变。

三、最关键：「主目标、0/1 标签、Target Item 从哪来」

用户兴趣建模不是凭空学向量，向量是靠一个监督任务 “带出来” 的。

1. 训练时的样本长这样

一条训练样本结构：

• 输入行为序列（历史已交互物品）：Item1, Item2, Item3 ... ItemN

• Target Item（目标物品）：用户下一次真实点击 / 转化的那个广告 / 商品

• 标签：0/11 = 真的点了这个 Target Item0 = 没点

2. Target Item 来自哪里？

来自日志回溯，拿用户行为做序列拆分举个真实拆分逻辑：以某个用户一整天行为：

浏览 A → 点击 B → 浏览 C → 点击 D（真实下一次交互）

构造训练样本：

• 历史行为序列输入：[A, B, C]

• Target Item = D

• 标签 = 1（真实点击了）

再负样本构造：随机抽一个用户没点过的广告 E

• 历史序列：[A,B,C]

• Target Item = E

• 标签 = 0（没点）

3. 模型训练目标是什么？

模型输入：历史行为序列要预测：当前候选 Target Item 会不会被用户点击（0/1 二分类）

训练完之后：把模型最后一层隐藏层向量，拿出来当「用户兴趣 Embedding」👉 这就是你疑惑的：明明输出向量，为啥还有 0/1 标签？

• 0/1 是训练任务的监督信号，用来把模型训收敛

• 训好后不用这个分类结果，只扒中间的向量当用户兴趣表征

四、极简流程

1. 离线拿用户行为日志，做序列拆分

2. 构造：历史行为序列 + 正样本 Target (点过) + 负样本 Target (没点过) + 0/1 标签

3. 离线训练 DIN/DIEN，做二分类任务

4. 训练收敛后，抛弃分类头，取模型中间层作为用户兴趣向量

5. 离线批量全量用户生成向量入库，或在线实时推理更新

6. 给到召回、CTR、oCPX 用

2. 召回/ctr 模型训练任务，如何使用这个向量?

用户兴趣建模训出来的用户 Embedding 向量，不单独干活，是喂给「召回」和「CTR 精排」当特征用的，两套模块用法完全不一样。

一、先统一：用户兴趣向量是什么

假设模型（DIN/DIEN）产出：User_Emb ∈ R¹²⁸128 维稠密向量，每一维隐含用户对美妆、3C、低价、高端、短视频素材等隐性偏好。

二、广告召回 怎么用用户兴趣向量？

1. 召回核心逻辑

召回做的是：从千万广告库里，快速挑出几百个和用户兴趣最匹配的广告。

2. 具体用法（向量相似度召回）

1. 离线阶段给每一个广告，提前训好Ad_Emb 广告向量</