用户理解包含用户属性、行为收集及行为的表示，资源的刻画包括自身的属性及外部赋给资源的特征
用户和资源的匹配（召回和排序）有非常多的方法或模型，是推荐系统的核心工作，追求更好更优的匹配，是推荐系统不断演进的动力所在。召回是尽可能多的找到用户喜欢的资源，排序是对找到的资源再做一次优选
推荐架构
排序模型
LR 模型是 CTR 预估领域早期最成功的模型，主要经历了 LR、XGBoost、FM、DeepFM、DeepFM Online Learning 等
还实验了如 Wide&Deep、DCN、LSTM、GRU 等模型。
在线学习
排序服务是以 API 的形式提供
特征及训练样本
1. 特征介绍
模型的输入一般包括：用户画像特征、item 特征，上下文特征，交叉特征、位置特征和序列 item 特征，其中：
用户画像特征有：用户自身属性，如性别、年龄、职业、地域等；用户行为，如不同时间窗口的浏览时长、点击、搜索、发贴、收藏、点赞等行为；基于行为所产生的兴趣偏好，如车系、标签偏好等；基于行为的衍生统计指标，如用户 ctr、活跃度等。
Item 特征有：item 自身属性，如标题、正文字数、图片个数等；基于 item 挖掘的特征，如内容分类、关键词、情感、内容专业度、内容丰富度、作者影响力等；item 被用户赋予的行为，如 uv、pv、ctr、收藏、点赞、回复等。
交叉特征有：item 标签与用户标签的匹配度
2. 特征处理
直接使用原始特征不易于模型拟合，所以传入模型后还需要进一步处理，具体包括：异常值处理、归一化和等频分桶。
3. 特征表达
大规模的稀疏特征和多种形式的向量表达。如基于 item 内容分类的 Bert embedding，基于 item 图像和视频的 embedding，基于行为的 Graph embedding、LSTM embedding 等。
汽车之家，Base 北京
