correct

docs/第三章 推荐算法面经/3.1 ML与DL基础.md

@@ -235,7 +235,7 @@
     		1-p,& y = 0
     	\end{cases}
     	\\ \Rightarrow p(y_i|xi) = p^{y_i}(1-p)^{1-{y_i}}
-    	\\ \Rightarrow \text{在总体上有：} P = \prod_{n=1}^N p^{y_n}(1-p)(1-{y_n})
+    	\\ \Rightarrow \text{在总体上有：} P = \prod_{n=1}^N p^{y_n}(1-p)^{(1-{y_n})}
     	\\ \Rightarrow \text{连乘求导很复杂，我们用单调函数ln化为连加：}F（w） = ln(P) = \sum_{n=1}^N(y_nln(p) + (1-y_n)ln(1-p))
     	\\ \Rightarrow \text{其中}p = \frac {1}{1+e^{-w^Tx}}
     $$
@@ -437,7 +437,7 @@
     		1-p,& y = 0
     	\end{cases}
     	\\ \Rightarrow p(y_i|xi) = p^{y_i}(1-p)^{1-{y_i}}
-    	\\ \Rightarrow \text{在总体上有：} P = \prod_{n=1}^N p^{y_n}(1-p)(1-{y_n})
+    	\\ \Rightarrow \text{在总体上有：} P = \prod_{n=1}^N p^{y_n}(1-p)^{(1-{y_n})}
     	\\ \Rightarrow \text{连乘求导很复杂，我们用单调函数ln化为连加：}F（w） = ln(P) = \sum_{n=1}^N(y_nln(p) + (1-y_n)ln(1-p))
     	\\ \Rightarrow \text{其中}p = \frac {1}{1+e^{-w^Tx}}
     $$

docs/第三章 推荐算法面经/3.2 推荐模型相关.md

@@ -33,6 +33,10 @@
   - 匹配层：拿用户向量去FAISS中和Item向量进行相似度计算，并返回距离最近的Top K个Item作为个性化的召回结果。
 
 - 双塔模型的输出，用双塔embedding做内积+sigmoid和求余弦相似度+sigmoid的区别
+  - 内积：内积计算量小，速度快，但是容易过拟合，而且无法体现特征之间的相关性；
+  - 余弦相似度：余弦相似度计算量较大，速度慢，但是不容易过拟合，而且可以体现特征之间的相关性。
+  - 余弦举例只考虑了角度差（衡量两个向量在方向上的相似性，对绝对的数值不敏感），而内积综合考虑了角度差和长度差（衡量两个向量在长度和方向上的相似性，对绝对的数值比较敏感），所以内积的相似性更小，对异常值的鲁棒性更好。
+
 - 双塔模型一般怎么做特征
   - 每个塔各自构建user与item embedding，**[User特征]」**主要包括和用户相关的特征：用户id、手机系统、地域、年龄、历史行为序列等，上下文特征（Context feature）可以放入用户侧塔，**「Item特征」**主要包括和Item相关的特征：ItemId、Item类别、Item来源等；