前三篇带你走完了判别式推荐的完整工业链路——召回、排序、重排。但真实的推荐系统远不止「把候选排好序」这么简单。它还要面对 有偏的数据、没有历史的物品与用户 ，以及一场正在发生的 范式跃迁 ：从「给每个候选打分」走向「直接生成推荐序列」。
本部分不再新增某个独立算法模块，而是把镜头拉高，看清楚工业界与学术界在 修正、补全、重塑 推荐系统时的三种思路。
本章涵盖
| 章节 | Topic | The Big Idea |
|---|---|---|
| 5.1 | 模型去偏 | 数据天然有偏且存在反馈闭环，用 IPS 加权与 PAL 解耦位置来矫正 |
| 5.2 | 冷启动 | 用内容/元学习/分群架构，为没有历史的物品与用户生成有效表示 |
| 5.3 | 生成式范式演进 | 从判别式打分到生成式序列生成，串起记忆·泛化 → 理解·推理的跃迁 |
What You'll Be Able to Do After This Part
- 🟢 解释 推荐系统数据偏差的来源（选择/曝光/从众/位置）与结果偏差（流行度/不公平）如何经反馈闭环被放大
- 🟢 应用 逆倾向得分（IPS）重新加权，并用 PAL 在结构上解耦位置效应与用户偏好
- 🟡 辨析 内容冷启动（CB2CF / MetaEmbedding）与用户冷启动（MeLU / POSO）的不同解法
- 🟡 描述 生成式推荐的三大演进路径：生成式召回（HSTU / TIGER）、生成式排序（GenRank / MTGR）、端到端统一生成（OneRec）
- 🔴 对照 Part 1 的两种范式，论证判别式级联架构如何被生成式端到端架构替代
核心概念
| Concept | 章节 | Relevance |
|---|---|---|
| 选择偏差 / 曝光偏差 / 位置偏差 | 5.1 | 训练数据不可信的根源，需主动纠偏 |
| 逆倾向得分 IPS | 5.1 | 用 加权，得到无偏风险估计 |
| 位置感知学习 PAL | 5.1 | 把「看到」与「喜欢」在结构上分离 |
| 内容冷启动 CB2CF / MetaEmbedding | 5.2 | 让新物品借内容获得协同表示 |
| 用户冷启动 MeLU / POSO | 5.2 | 用元学习或分群子模块服务新用户 |
| 语义 ID / 端到端生成 | 5.3 | 生成式推荐的核心：理解内容、直接生成 |
前置知识
- 已读完 Part 1 的两种范式与三阶段漏斗
- 了解 Part 2 召回与 Part 3 排序的基本模型（协同过滤、双塔、矩阵分解）
- 具备基础的深度学习与序列模型概念（Transformer 自注意力、元学习 MAML 会有助于 5.2/5.3 理解）
本部分是基础篇的「承上启下」收尾——它既修补前文流水线的缺陷，又指向后续版本的生成式下篇。
Tips for This Part
- 把偏差当成「看不见的对手」。 读到 5.1 时，时刻问：这个训练样本，真的代表用户的真实偏好吗？
- 冷启动的核心是「借力」。 新物品没有行为，就借内容；新用户没有历史，就借元知识或人群结构。
- 5.3 要回头呼应 Part 1。 它把「判别式 vs 生成式」从概念落到了具体模型（HSTU、TIGER、OneRec）。
Let's dive in! 🚀