深度精排

深度精排模型负责给召回后的候选打分。

候选集已经变小了，所以模型可以在每个用户和电影组合上多花一点计算量。这类方法通常会结合记忆能力、embedding 和非线性交互层，用来预测评分、点击或者排序分。

精排和召回的目标不一样。召回怕漏掉好东西，精排怕顺序排错。到了精排阶段，模型可以看更多特征，也可以用更复杂的交互方式。

这一组先看 NCF，理解为什么有人想用 MLP 替代点积。再看 Wide & Deep 和 DCN，理解工业排序模型里“记忆规则”和“学习交叉”的思路。

运行

默认全量运行：

./04-deep-ranking/ncf/run.sh --sample-ratings none --num-workers 8 --save-checkpoints --checkpoint-every 0
./04-deep-ranking/wide-and-deep/run.sh --sample-ratings none --num-workers 8 --save-checkpoints --checkpoint-every 0
./04-deep-ranking/dcn/run.sh --sample-ratings none --num-workers 8 --save-checkpoints --checkpoint-every 0

【非主线】想先快速试跑：

./04-deep-ranking/ncf/run.sh --sample-ratings 2000000 --num-workers 8 --save-checkpoints --checkpoint-every 0

默认命令只保存 checkpoints/best.pt。生成的实验报告会写入验证指标、测试集预测样例和 checkpoint 大小。