关谷的料理对决过去三天后，爱情公寓迎来了一位久违的住户——陆展博。
他是胡一菲的弟弟，在美国硅谷工作了好几年，这次回国休假一个月。本来计划好好放松，结果人还没倒完时差，公司的越洋电话就追过来了。
周六上午，乔卫东晨跑回来，看见一个戴着黑框眼镜、头发乱糟糟的年轻男人正坐在三楼楼梯口，抱着笔记本电脑疯狂敲代码，嘴里还念念有词。
“该死的……这个优化怎么就是不行……”
乔卫东认出这是陆展博，胡一菲给他看过照片。
“陆展博？”他停住脚步。
展博猛地抬头，眼镜滑到鼻尖：“你……你是？”
“乔卫东，新邻居。”乔卫东伸出手。
“哦哦！乔先生！一菲跟我提过你！”展博连忙合上电脑站起来握手，“她说你很厉害，什么都会！”
“过奖了。”乔卫东看了眼他的电脑，“工作很忙？”
“何止是忙……”展博苦着脸，“公司新项目，ai推荐系统优化，deadline就在下周。我都回国休假了，还被拉着远程debug……”
他看起来很疲惫，黑眼圈很重，身上的t恤皱巴巴的，一看就是熬了夜。
乔卫东想了想：“要不要来我那儿坐坐？我泡壶茶，你慢慢弄。”
“可以吗？不会打扰你吧？”展博有些犹豫。
“不会。”
五分钟后，两人坐在3603的客厅里。乔卫东泡了一壶普洱，展博重新打开电脑，屏幕上密密麻麻的代码让人眼花缭乱。
“具体是什么问题？”乔卫东给他倒了杯茶。
展博推了推眼镜：“是这样，我们在做一个电商平台的个性化推荐系统。传统的协同过滤算法准确率不够高，我们想引入深度学习，但训练成本太大，线上推理速度又跟不上……”
他说了一堆专业术语，语气越来越烦躁：“我试了三种模型架构，优化了七次参数，准确率才提升了0.3个百分点，根本达不到产品要求。老板说再搞不定就要换方案了……”
乔卫东安静地听着，偶尔点点头。等展博说完，他问：“能给我看看你们的数据特征工程吗？”
展博愣了一下：“乔先生也懂这个？”
“略懂一点。”乔卫东说，“以前投资过几家ai公司，看过一些。”
展博将信将疑，但还是调出了代码。乔卫东凑过去看，手指在屏幕上滑动，目光快速扫过一行行代码。
看了大概三分钟，他开口：“问题出在这里。”
“哪里？”
“特征交叉的方式。”乔卫东指着一段代码，“你们只用了一阶和二阶交叉，对于用户行为这种高维稀疏数据来说，信息损失太大了。”
展博眼睛一亮：“对！我也想过这个问题！但高阶交叉计算量太大……”
“可以用fm（factorization machines）。”乔卫东说，“或者更好的，deepfm，把深度神经网络和因子分解机结合起来。既保留了低阶特征交互，又能捕捉高阶非线性关系。”
展博张大了嘴巴：“deepfm……我听说过，但没实际用过……”
“现在用的人不多，但效果不错。”乔卫东拿过一张纸，开始画示意图，“你看，这里用dnn处理高阶特征，这里用fm处理低阶特征，最后融合。这样既能保证效果，又能控制模型复杂度。”
他在纸上写下几个公式和架构图。展博看得如痴如醉，眼镜后面的眼睛越来越亮。
“还有这里，”乔卫东又指向另一段代码，“负采样策略可以优化。你们现在用的是随机负采样，效果不稳定。可以试试基于流行度的负采样，或者更高级的，对抗式负采样。”
“对抗式？”展博完全没听过这个词。
“简单说，就是用一个生成器来产生‘难负例’。”乔卫东又画了个图，“这样模型能学到更有区分度的特征。”
展博彻底服了。他从硅谷回来，自以为算是技术前沿的人，但乔卫东说的这些，有些他都没听过！
“乔先生，您……您这些是从哪儿学的？”他结结巴巴地问。
“多看论文，多实践。”乔卫东轻描淡写，“ai发展很快，每天都有新东西。不过万变不离其宗，底层逻辑是一样的。”
他喝了口茶，继续说：“另外，我觉得你们的方向可以调整一下。”
“怎么调整？”
“现在大家都在做精排，就是最后那一步的排序模型。”乔卫东说，“但真正决定推荐效果的，往往是前面的召回阶段。如果召回池里没有好东西，再怎么精排也排不出花来。”
展博猛点头：“对对对！我们cto也说过这话！但召回怎么做？我们试过itemcf、usercf，效果都一般……”
“试试多通道召回。”乔卫东在纸上又画，“一条通道做协同过滤，一条通道做内容匹配，一条通道做热点补充，还有一条……做探索。最后用一个简单的模型做融合，把各通道的结果汇总到召回池里。”
他边说边写，思路清晰得像在说今天吃什么。展博赶紧打开笔记本，疯狂记录，生怕漏掉一个字。
“探索通道很重要。”乔卫东强调，“现在的推荐系统太‘功利’了，只推用户可能点击的，导致信息茧房越来越严重。得适当推一些用户可能喜欢但没接触过的内容，打破茧房。”
展博停下笔，若有所思：“这个思路……我们产品经理肯定喜欢。他一直说要增加推荐的多样性……”
“技术要为产品服务。”乔卫东说，“但也要有前瞻性。我猜，你们接下来应该会做多模态推荐吧？把图像、文本、视频都融合进来。”
展博瞪大眼睛：“您怎么知道？这是我们下一个季度的规划！”
“趋势而已。”乔卫东笑，“现在纯文本的推荐已经到瓶颈了，多模态是必然方向。不过要做好不容易，跨模态对齐是个大问题。”
“对对对！”展博激动起来，“我们就在为这个头疼！图像特征和文本特征怎么对齐？用什么损失函数？”
“可以试试clip那套思路。”乔卫东说，“用对比学习，拉近相关图像和文本的距离，推开不相关的。不过具体到推荐场景，得做一些调整……”
他又讲了十几分钟，从技术细节讲到工程实践，从算法优化讲到系统架构。展博听得如痴如醉，笔记本上记满了密密麻麻的要点。
讲完后，乔卫东问：“听懂了吗？”
展博用力点头：“听懂了！而且……我有种醍醐灌顶的感觉！乔先生，您太厉害了！这些思路，比我们公司那些资深架构师都超前！”
“只是站在巨人的肩膀上。”乔卫东谦虚地说。
“不！您就是巨人！”展博站起来，深深鞠躬，“谢谢您！真的谢谢您！这些建议，够我消化一个月了！”
“能帮上忙就好。”乔卫东看了眼时间，“快中午了，你该吃饭了。”
“我不饿！我要把这些思路整理出来，马上开始改代码！”展博抱着电脑，眼睛放光，“乔先生，我能……我能经常来请教您吗？”
“随时欢迎。”乔卫东微笑。
展博千恩万谢地走了。回到3601时，胡一菲正准备叫他吃饭。
“展博，你跑哪儿去了？一上午不见人。”
“姐！我遇到高人了！”展博激动地说，“乔先生！他太厉害了！他给我讲的推荐系统思路，比我在硅谷听的顶尖讲座都牛！”
胡一菲挑眉：“乔老师还懂这个？”
