NLP与推荐系统

当下推荐系统行业比较hot，这个行业体量也比较大，长期活跃应该是个趋势，与后期研究生阶段研究方向比较相关，故作了解。

聊聊NLP和推荐系统的选择

我觉得NLP和推荐岗位后续的发展应该是：

1. NLP岗位其实更适合去做研究。因为其评价指标相对单一，好就是好不好就是不好，并且好的模型效果对算法实时性没有推荐系统要求的高。模型fancy，想法work，基本上就是一篇文章。在公司基本上是做基础功能支持，相比推荐的话，更容易往细致做，因为nlp评价指标相对稳定，不会出现线下和线上gap很大的情况(我猜测)，更多的精力会投入到细节的深挖上，如果合理利用优势，我相信在公司也能有不小的收获。
2. 推荐岗位是个更加工程的岗位。有各种的坑需要去踩，也有很多dirty work（目前位置特征工程仍然占据非常重要的地位），模型上线之前还需要AB Test，对实时性要求高等等。所以工程能力在推荐系统中仍然是非常重要的。所以说这是个更加“工程”的岗位。

所以这两个差别还是蛮大的，看自己更想去做什么吧。

https://zhuanlan.zhihu.com/p/71938647

大牛评价：

文章中有一些事实类错误。nlp问题可以归结为分类，标注和生成这三类问题。博主应该主要focus到分类问题（匹配也是一种分类）上，所以可能有点以偏概全。nlp中很多典型的分类，匹配问题已经近似求解，而nlp里真正难的序列标注与生成问题，以及叠加一些限制条件（如小样本，多domain）的分类和匹配问题。这些才是多数nlp研究者focus的地方。

零件与汽车的比喻就更不恰当了，确切的说法是，在做推荐系统时，nlp可以充当系统的零件。但是在做问答系统对话系统翻译系统等典型的nlp系统时，nlp则是系统骨架。这要看你在做的系统要解决的目标是不是语言类问题，推荐本身不是语言问题，自然nlp不会充当骨架。

实际上，多数nlp系统都会充斥大量dirty work，比如任务完成型对话，论dirty work和工程性，是比推荐系统有过之而无不及的。而工业界对nlp业务型人才的需求也是要远大于研究型人才，说nlp更适合做研究是很不准确的。现阶段也没有几家公司愿意花大力气做nlp研究，但是花大力气孵化nlp产品反而是巨头们现在竞争的一个重点赛道。

再一个，说到评价问题，也是不对的。nlp有大量缺乏自动评价指标的问题，尤其在生成类nlp问题上十分严重，很多问题只能靠人工评估，甚至靠人工都很难做到无偏和信服的评价结论，比如开放域闲聊问题，以及各种可控文本生成问题。

论nlp找工作的问题的话，文中谈到的这些知识点可能只够在大厂不太核心的业务部门拿个白菜offer，甚至背景差点的白菜都拿不到。主题模型在nlp里存在感越来越弱，word2vec，elmo这类只能算基础知识，远够不上竞争力。你列出的这些知识点显然主要是检索和推荐场景下的，而要想做翻译，问答，对话，抽取，词法句法分析这些更典型的nlp问题的话，这些知识点远远不够应聘nlp岗位的。

当然啦，每个人都有自己的盲区，可以理解，所以比较建议给文章加上一些边界，这样可以避免新人走弯路

对以上文章不了解内容所做笔记：

1.CTR
CTR（Click-Through-Rate）即点击通过率，是互联网广告常用的术语，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数（严格的来说，可以是到达目标页面的数量）除以广告的展现量（Show content）。
CTR是衡量互联网广告效果的一项重要指标。
点击率
CTR指在搜索引擎中输入关键词后进行搜索，然后按竞价等因素把相关的网页按顺序进行排列出来，然后用户会选择自己感兴趣的网站点击进去；把一个网站所有搜索出来的次数作为总次数，把用户点击并进入网站的次数占总次数的比例叫点击率。
点击量
较低的点击量意味着，不管您的网站排名如何靠前，用户都不会点击它。这可能说明，他们不认为您的网站会满足他们的需求，或其他网站看起来更好些。
计算公式
计算公式为CTR=实际点击次数/展示量，即 Click / Show content。
CTR：点击通过率，Click-Through-Rate (点击通过比率) 

2.AB-test

https://blog.csdn.net/weixin_43332715/article/details/118179561