生锈的键盘

推荐系统的特征工程是模型效果的核心，通常按用户、物品、上下文、交互行为、统计类、内容与语义、场景与业务、交叉与组合八大维度划分。下面按类别完整列举，并说明为什么有效。 一、用户侧特征（User Fea

1. 坚守时间顺序：划分策略的基石 在电商场景下，坚决不能使用未来数据预测过去。因此，所有划分都必须基于时间戳。 全局固定时间点划分 这是最常用且稳妥的方法，旨在模拟模型在线上“当前”预测“未来”的真

1. SFT的作用 如果没有 SFT（监督微调），你面对的不是一个“助手”，而是一个“复读机”或者“复印机”。 举个例子，假如你给一个仅经过预训练（Base Model）的模型发指令： ❌ 没有 SF

在机器学习的实际应用中，正负样本极度不均衡是常态： 欺诈检测中99%的交易正常 广告点击率预估中千分之一的点击概率 医疗诊断中罕见病占比极低 面对这种“少数淹没于多数”的困境，直接训练模型往往收效甚微

拒绝采样 拒绝采样（Rejection Sampling） 是一种通过从一个容易采样的分布（建议分布）中抽取样本，并按一定比例随机拒绝，从而获得目标分布（通常是难以直接采样的复杂分布）样本的方法。 核

什么是重要性采样 重要性采样是一种数学工具，用于：当你无法从目标分布 $P$ 中采样时，如何通过另一个分布 $Q$ 的样本来估算 $P$ 的期望值。 • 场景：你想知道某个随机变量 $f(x)$ 在分

1. 策略 总的来说，为什么选择这个动作，选择这个动作的逻辑就是策略。生活中各种各样的场景，你对每个场景判断后选择什么动作逻辑就是你的策略，这个策略就在你的大脑中（神经网络） 给你一个游戏，每个游戏状

1. 下载模型 国内使用modelscope镜像 安装依赖 2. 下载模型 3. 测试用例，使用openai

1. 安装python环境 pacman也可以安装python，但是三方库总是安装不成功，所以就不折腾了，感兴趣的可以自己试试 直接通过应用商店安装的python，不知道为啥安装uv之后无法使用uv，