小红书推荐系统平台技术公开信息调研¶
调研日期：2026-03-27 | 作者：Cindy + Claude Opus 4.6 调研方法：
/research-fastskill（调研黑客）— 爆炸式调研模式 关联文档：论文深度研读（无 skill 版） | Research Snapshot（无 skill 版）
1. 调研目标¶
小红书在学术活动、科技交流活动、官方出版物、播客博客等公开渠道，公布和提到了多少关于推荐系统平台的技术细节？
核心交付物： 1. 技术演进时间线（按系统阶段划分） 2. 每个阶段的驱动力分析（为什么决定这样升级/改变） 3. 信源清单与可信度分级 4. Gap 分析（哪些关键技术细节尚未公开）
2. 调研方法说明¶
调研模式选择¶
爆炸式调研（Explosive Research）：目标是建立小红书推荐系统技术的全景图谱。
理由：这不是一个「选 A 还是选 B」的决策问题（系统式），也不是追踪某个特定现象的原因（挖掘式），而是「一家公司在这个领域公开了多少信息」——需要大面积扫描、分类、建立时间线。
执行策略¶
| Phase | 方法 | 工具 |
|---|---|---|
| Phase 1 | 问题拆解（7 步分解法） | 手工 |
| Phase 2a | 8 篇核心论文全文阅读 | Jina Reader API (r.jina.ai/) + 6 个并行 Agent |
| Phase 2b | 非论文信源搜索（会议/博客/开源/招聘） | WebSearch + WebFetch + 1 个 Agent |
| Phase 2c | 王树森背景交叉验证 | WebSearch（个人主页/LinkedIn/GitHub/arXiv） |
| Phase 3 | 关键声明交叉验证 | 3 个并行 Agent 分别验证 GRPO>PPO、GenRank 架构声明、王树森关系 |
| Phase 4 | 结构化输出 | 本文档 |
停止条件¶
- ✅ 核心论文（8 篇）全部全文阅读
- ✅ 非论文信源（会议/博客/开源/招聘）覆盖 ≥3 类
- ✅ 关键技术声明交叉验证 ≥2 个独立信源
- ⚠️ REDtech 微信公众号无法访问（需微信环境），B 站视频无法观看 → 标记为人工补位点
3. Scope¶
In Scope¶
- 推荐系统全链路：召回 → 粗排 → 精排 → 重排 → 策略
- 搜索系统（与推荐共享基础设施）
- 冷启动
- 基础设施（训练/推理/数据）
- 时间范围：2021–2026（有公开论文的时期）
Out of Scope¶
- 内容安全/反欺诈（有论文但非推荐系统核心）
- 电商交易系统
- 客户端/音视频技术
- 广告竞价机制（仅涉及广告排序中的冷启动）
4. 核心发现¶
发现 1：小红书推荐系统经历了 4 个清晰的技术阶段¶
| 阶段 | 时间 | 标志 | 核心驱动力 |
|---|---|---|---|
| Phase 0：规则+简单模型 | 2013–2018 | GBDT 排序, Flink 实时管道 | 用户增长，人工运营不 scale |
| Phase 1：深度学习全面上线 | 2019–2021 | MMoE 多目标, 多路召回, SSD 多样性 | DAU 破亿，多目标优化成刚需 |
| Phase 2：精细化+搜推融合 | 2022–2023 | 冷启动全链路, Ark 图计算, 搜推统一 | 冷启动/长尾/搜推融合成瓶颈 |
| Phase 3：LLM 全面改造 ★ | 2024–2026 | 每个环节从判别式→生成式/LLM | LLM 能力突破，每个环节有更强表达方式 |
置信度：高（Phase 1-2 基于会议分享+王树森课程推断，Phase 3 基于 8 篇 A 级论文直接验证）
发现 2：Phase 3 的 LLM 改造覆盖了推荐系统全链路¶
| 环节 | 论文 | 变化 | 在线核心指标 |
|---|---|---|---|
| 召回 I2I | NoteLLM (WWW'24) | BERT → LLaMA 7B embedding | CTR +16.2% |
| 召回多模态 | NoteLLM-2 (KDD'25) | 纯文本 → 多模态 LLM | 首千曝点击 +6.35% |
| 召回多兴趣 | GemiRec (2025.03) | 单兴趣双塔 → RQ-VAE 多兴趣 | Recall@120 +28.78% |
| 精排 | GenRank (KDD'25 WS) | 判别式 MLP → 生成式 Transformer | 互动 +1.25%, P99 延迟 -25% |
| 冷启动 | IDProxy (2025.03/08) | Random → MLLM proxy embedding | 广告曝光 +1.28% |
| 搜索排序 | GRM+SAM (KDD'26) | 标量分数 → CoT 推理 + RL | CES +0.72% |
| 搜索 QP | QP-OneModel (2026 Q1) | N 个 BERT → 1 个统一 LLM | NER F1 +9.01% |
置信度：高（全部来自 A 级信源，在线 A/B 数据均有统计显著性报告）
发现 3：6 个反复出现的技术模式¶
| 模式 | 出现论文 | 解读 |
|---|---|---|
| 对比学习构建 embedding | NoteLLM, NoteLLM-2, IDProxy, GemiRec | 推荐 embedding 学习的标准范式 |
| GRPO 作为 RL 标准算法 | GRM+SAM（显式验证）, QP-OneModel（沿用） | 避免 PPO 值函数估计偏差 |
| 大模型训练→小模型上线 | GRM+SAM (32B→0.1B), QP-OneModel (8B→0.6B serving) | 工业落地标准模式 |
| 生成任务辅助表示学习 | NoteLLM (hashtag 生成→embedding), QP-OneModel (intent desc→CoT) | 生成不是目的，是手段 |
| 消融实验驱动决策 | GenRank, GemiRec | 先证明为什么，再决定怎么做 |
| 结构复用>另起炉灶 | IDProxy (注入现有 CTR), QP-OneModel (替换信号不替换系统) | 增量部署，降低风险 |
置信度：高（直接从论文提取的 pattern）
发现 4：两个贯穿始终的核心驱动力¶
- 内容形态决定技术路线：图文 → 图文+视频 → 短视频，每次变化倒逼多模态升级
- UGC 平台的冷启动宿命：新笔记持续涌入，冷启动不是一次性问题而是永久约束
置信度：中-高（跨论文推断，非某单一论文的结论）
发现 5：技术栈拼图¶
| 层面 | 技术 | 信源 |
|---|---|---|
| 语言 | Python, C++, Go | 招聘 JD (C) |
| 深度学习 | PyTorch, Megatron-core, DeepSpeed | QCon 2025 分享 (B), 论文 (A) |
| 推理 | vLLM | QCon 2025 (B) |
| 调度 | Ray, K8s, OpenKruise, Koordinator | 博客 (C), 招聘 (C) |
| 数据 | Flink（实时）, StarRocks, Apache Paimon | DataFunCon (B), 博客 (C) |
| 云 | 自建为主 + 阿里云（2024 从 AWS 迁移 500PB） | InfoQ (C) |
| GPU | NVIDIA H20 | GenRank 论文 (A) |
| 基座模型 | RedOne (Qwen2.5-32B domain-adapted), RedOne2.0, dots.llm1 (142B MoE) | 论文 (A), GitHub (B) |
| 内部系统 | Ark 图计算, 类 TAO 一跳查询 | QCon (B), 博客 (C) |
置信度：中（跨多个 B-C 级信源拼合，部分来自招聘 JD 推断）
5. 证据记录¶
5.1 学术论文（A 级信源）¶
| # | 论文 | 会议 | 日期 | source | level | engagement |
|---|---|---|---|---|---|---|
| 1 | SSD (Sliding Spectrum Decomposition) | KDD 2021 | 2021.07 | arXiv: 2107.05204 | A | 不适用 |
| 2 | NoteLLM | WWW 2024 | 2024.03 | arXiv: 2403.01744 | A | 不适用 |
| 3 | NoteLLM-2 | KDD 2025 | 2024.05 | arXiv: 2405.16789 | A | 不适用 |
| 4 | GemiRec | 预印本 | 2025.10 | arXiv: 2510.14626 | A | 不适用 |
| 5 | GenRank | KDD 2025 Workshop | 2025.05 | arXiv: 2505.04180 | A | 不适用 |
| 6 | IDProxy | 预印本 | 2026.03 | arXiv: 2603.01590 | A | 不适用 |
| 7 | GRM + SAM | KDD 2026 | 2025.12 | arXiv: 2512.00968 | A | 不适用 |
| 8 | QP-OneModel | 预印本 | 2026.02 | arXiv: 2602.09901 | A | 不适用 |
补充论文（非推荐核心但相关）：
| 论文 | 会议 | level | 相关度 |
|---|---|---|---|
| Inverse Retrieval (doc2query) | ICIC 2024 | A | 搜索召回 |
| BatchEval | ACL 2024 主会 | A | LLM 评估方法 |
| MLLM Alignment Metric (LIS) | RecSys 2025 WS | A | 推荐评估 |
5.2 技术会议演讲（B 级信源）¶
| # | 活动 | 日期 | 核心披露 | source | level | engagement |
|---|---|---|---|---|---|---|
| 1 | CCF C3 #18 @ 小红书 | 2023.03 | 推荐技术创新 + 搜索召回前沿 | CCF 官网 | B | 不可获取 |
| 2 | CNCC 2023 | 2023.10 | 大模型如何变革推荐系统（冯笛主持） | CNCC 议程 | B | 不可获取 |
| 3 | QCon 上海 | 2024.10 | 搜推融合、模糊意图、长尾 query、多模态 | InfoQ | B | 不可获取 |
| 4 | DataFunCon | 2024.04/07 | 图数据库、搜推广策略、大数据+AI | DataFun | B | 不可获取 |
| 5 | QCon 北京 | 2025 | 多模态大模型 RLHF 系统：Megatron-core + Ray + vLLM | InfoQ | B | 不可获取 |
| 6 | QCon 上海 | 2025.12 | AI Coding: PRD→代码生成 | InfoQ | B | 不可获取 |
5.3 官方技术博客 REDtech（B-C 级信源）¶
| # | 平台 | 代表内容 | source | level | engagement |
|---|---|---|---|---|---|
| 1 | CSDN (REDtech_1024) | 技术文章系列 | CSDN | C | 不可获取 |
| 2 | 知乎（小红书技术团队） | 技术问答/文章 | 知乎 | C | 不可获取（403 封禁） |
| 3 | 微信公众号（小红书技术REDtech） | 种草/反欺诈/广告/成本优化 | 微信 | C | 不可获取（需微信环境） |
| 4 | InfoQ | 技术采访/文章 | InfoQ | C | 不可获取 |
5.4 开源项目（B 级信源）¶
| # | 项目 | 说明 | source | level | 推荐系统相关度 |
|---|---|---|---|---|---|
| 1 | dots.llm1 | 142B MoE，开放全阶段 checkpoint | GitHub | B | 间接（基座能力） |
| 2 | NoteLLM 代码 | 论文配套实现 | GitHub | B | ★★★ 直接相关 |
| 3 | REDPlayer | 跨平台播放器 | GitHub | B | 无 |
| 4 | Karmada（联合） | K8s 多集群管理 | GitHub | B | 无 |
5.5 王树森推荐系统公开课（B 级信源）¶
| 属性 | 详情 |
|---|---|
| source | GitHub: wangshusen/RecommenderSystem, B 站 8 小时视频 |
| level | B（前员工个人项目，非官方出版物） |
| date | 2022.12 创建, 2024.01 最后更新 |
| engagement | 不可获取 |
| 作者背景 | 王树森，2021.09-2023.07 小红书 ML 工程师/经理（搜索推荐模型组），现 Meta Staff Engineer |
| 时间覆盖 | 反映 ~2021-2023 技术栈（Phase 1-2，LLM 之前） |
| 性质 | 个人项目，非小红书官方认可，但基于真实生产系统经验 |
5.6 招聘信息（C-D 级信源）¶
| # | 信源 | 透露的技术栈 | level |
|---|---|---|---|
| 1 | 脉脉/Boss直聘 推荐算法岗 | PyTorch, 大规模分布式训练, 实时特征 | D |
| 2 | LinkedIn 推荐工程师岗 | Python/C++/Go, 实时系统 | C |
| 3 | 2024 应用算法部组建 | 合并社区/电商/商业化算法 | C |
6. 交叉验证¶
验证 1：GRPO > PPO¶
| 声明 | 信源 1 | 信源 2 | 结论 |
|---|---|---|---|
| GRPO 优于 PPO | GRM+SAM 论文：显式对比，PPO 5-ACC=78.81 vs GRPO 80.90，全 4 指标 GRPO 胜出 (A) | QP-OneModel 论文：使用 GRPO，但未做 PPO 对比，引用外部证据 (A) | 部分验证：GRM+SAM 显式证明；QP-OneModel 沿用但未独立验证 |
验证 2：GenRank「架构>训练范式」¶
| 声明 | 论文原文 | 交叉验证 | 结论 |
|---|---|---|---|
| 生成式排序的提升主要来自架构（causal masking），而非训练范式（grouped training） | GenRank Section 3.1：去掉 causal mask → AUC 掉 >0.0015；grouped→pointwise → "slight decrease" | 未找到独立验证（Meta HSTU 论文关注点不同） | 方向性支持但非严格证明：消融用定性语言（"slight"）而非精确数值报告 grouped training 效果，无法定量比较两者差距 |
验证 3：王树森课程反映真实生产系统¶
| 声明 | 信源 1 | 信源 2 | 信源 3 | 结论 |
|---|---|---|---|---|
| 课程内容反映小红书 2021-2023 实际技术栈 | 个人主页：确认 2021.09-2023.07 在小红书 (B) | arXiv 2308.01204：标注 Xiaohongshu 机构 (A) | 论文映射：课程中的双塔/MMoE/SSD 与后续论文的 baseline 一致 (A) | 高度可信：三源交叉验证，且后续论文（NoteLLM, GenRank）的 baseline 正是课程描述的系统 |
验证 4：技术栈信息¶
| 声明 | 信源组合 | 结论 |
|---|---|---|
| Megatron-core + Ray + vLLM | QCon 2025 分享 (B) + GenRank 论文提到 H20 GPU (A) | 可信：会议+论文交叉 |
| Flink 实时管道 | DataFunCon (B) + 招聘 JD (C-D) | 可信度中：两个独立但非 A 级信源 |
| 自建+阿里云，500PB 迁移 | InfoQ 报道 (C) | 单一信源，置信度低 |
7. 信息冲突¶
冲突 1：NoteLLM-2 离线指标 vs NoteLLM¶
NoteLLM 报告 Recall@100 = 84.02 (vs SentenceBERT 70.72)，NoteLLM-2 报告 Recall@100 = 77.56 (vs SentenceBERT 67.59)。两者的绝对值不可直接比较。
原因：基线不同。NoteLLM 用 SentenceBERT，NoteLLM-2 用 RoBERTa-wwm-ext。评估集也不同。两篇论文都有 disclaimer。
判断：not a real conflict — 评估设置差异导致，不影响各自的增量结论。
冲突 2：GemiRec 部署时间¶
论文 arXiv 提交时间 2025.10，但文中提到 2025.03 已部署。
判断：not a real conflict — 工业论文通常系统先上线、论文后发表。GemiRec 2025.03 部署、2025.10 才写成论文发 arXiv，完全正常。
冲突 3：Phase 0-1 的具体时间线¶
王树森课程和各会议分享对 Phase 0-1 的时间点（何时上 DL、何时多路召回）描述模糊，无法精确到年。
判断：genuine uncertainty — 缺乏 A 级信源，Phase 0-1 的年份为推断性质。标记为中置信度。
8. 推理过程¶
推理链 1：为什么 2024-2026 是信息密度最高的阶段¶
事实： - 8 篇核心论文中，7 篇发表于 2024-2026（仅 SSD 在 2021） - 2024 前有 3 年（2021-2023）几乎无推荐系统论文发表 - 2024.12 成立应用算法部，合并社区/电商/商业化
推理： - 2021 SSD 后的沉寂期可能对应 Phase 2「精细化」阶段——系统改进多为工程优化而非算法创新，不足以发论文 - 2024 起的爆发与 LLM 技术成熟同步——LLM 为推荐系统每个环节提供了新的建模方式，产生了大量可发表的方法论创新 - 应用算法部合并可能降低了跨团队发论文的协调成本
结论：Phase 3 信息密度高不是因为小红书突然变得更开放，而是因为 LLM 范式切换产生了大量有学术价值的工作。置信度：中-高
推理链 2：小红书推荐系统的核心技术路线¶
事实： - 召回：BERT → LLM → 多模态 LLM → 多兴趣（NoteLLM → NoteLLM-2 → GemiRec） - 排序：MLP → 生成式 Transformer（GenRank） - 搜索：独立判别模型 → 统一生成式 LLM（GRM+SAM, QP-OneModel） - RL 算法统一选择 GRPO - 部署模式统一为大模型训练→蒸馏上线
推理： - 每个环节的升级都遵循「判别式→生成式」的方向，说明这是自上而下的技术战略，不是各团队独立演化 - GRPO 和「训大用小」的统一选择进一步证实了平台级的技术决策 - 基座模型 RedOne/RedOne2.0 被多个团队共享（GRM+SAM, QP-OneModel），说明有平台化的模型基础设施
结论：小红书推荐系统正在经历一次有组织的、平台级的「全面 LLM 化」转型，而非零散的局部优化。置信度：高
推理链 3：公开信息的战略选择¶
事实： - 大量公开：召回、排序、搜索的算法创新 - 完全未公开：精排多目标权重、Feature Store、粗排架构、广告竞价、ODL 框架、用户画像、探索策略
推理： - 已公开的都是「方法论创新」——可以发顶会论文、吸引人才 - 未公开的都是「工程细节+商业敏感信息」——多目标权重直接影响内容分发策略，广告竞价是收入命脉，用户画像涉及隐私 - 这符合中国互联网公司的典型模式：用论文做雇主品牌，核心商业逻辑保密
结论：小红书的技术公开策略是有选择性的，论文展示的是「冰山水面上的部分」。面试准备时需要意识到公开信息的边界。置信度：高
9. 结论¶
9.1 技术演进时间线（最终版）¶
Phase 0 2013-2018 规则/GBDT
│ 驱动力：用户增长，人工运营不 scale
▼
Phase 1 2019-2021 Deep Learning 全面上线
│ D&W → MMoE 多目标, 多路召回, ODL 实时训练, SSD 多样性
│ 驱动力：DAU 破亿，多目标优化成刚需
▼
Phase 2 2022-2023 精细化 + 搜推融合
│ 冷启动全链路, Ark 图计算, 搜推统一工程
│ 驱动力：冷启动/长尾/搜推融合成瓶颈
▼
Phase 3 2024-2026 LLM 全面改造 ★
│ 每个环节从判别式 → 生成式/LLM
│ 驱动力：LLM 能力突破 + 平台级技术战略
│
├── 召回: BERT → LLM → 多模态 LLM → 多兴趣
├── 排序: MLP → 生成式 Transformer (causal masking)
├── 冷启动: Random → MLLM proxy embedding
├── 搜索排序: 黑盒标量 → CoT 推理 + RL
├── 搜索 QP: N 个 BERT → 1 个统一生成式 LLM
├── RL 标准: GRPO（非 PPO）
└── 部署模式: 大模型训练(7B-32B) → 蒸馏上线(<1B)
9.2 关键数字汇总¶
| 论文 | 最核心在线指标 | 部署规模 |
|---|---|---|
| SSD | 用户时长 +0.42%, 内存 -27% | 数千万 DAU, N=600 候选 |
| NoteLLM | CTR +16.2%, 新笔记 24h 评论 +3.58% | I2I 召回通道 |
| NoteLLM-2 | 首千曝点击 +6.35%, 24h 互动 +8.08% | 关键召回通道 |
| GemiRec | 视频点击 +0.38%, 次日活跃 +0.07% | 首页推荐 |
| GenRank | 互动 +1.25%, P99 延迟 -25% | 精排，数千万用户 |
| IDProxy | 广告曝光 +1.28%, 广告主价值 +1.93% | 广告 + Feed |
| GRM+SAM | CES +0.72%, 不相关结果 -0.36% | 搜索排序 |
| QP-OneModel | 留存 +0.044%, 有效 CTR +0.17% | 搜索 QP 全量 |
9.3 对面试准备的启示¶
- 小红书推荐系统是理解「LLM 如何改造传统推荐」的最佳案例——覆盖全链路，每个环节都有论文
- 王树森课程是 Phase 1-2 的最佳参考，但内容已落后于 Phase 3
- GenRank 的消融方法论值得深入理解——「是架构还是训练范式」这种问题的回答方式是面试高分点
- GRM+SAM 的 SAM 机制——不需要逐步人工标注的 process supervision，是 RL 落地的实用创新
- IDProxy 的两阶段对齐——冷启动问题的工业级解法，比学术界的纯 content-based 方法务实得多
10. 不确定性¶
| 不确定性 | 影响 | 置信度 |
|---|---|---|
| Phase 0-1 具体年份 | 时间线精度 ±1 年 | 中（推断性，缺乏 A 级信源） |
| 粗排是否已升级到生成式 | Phase 3 全链路改造的完整性判断 | 低（完全无公开信息） |
| 重排策略（2024 后） | SSD 是否仍在使用 | 低（无更新信息） |
| GenRank grouped training 消融的精确数值 | 「架构>训练范式」结论的定量强度 | 中（论文用定性语言报告） |
| 2022-2023 沉寂期的真实原因 | Phase 2 的技术深度判断 | 低（纯推测） |
| ODL 框架细节 | 对实时训练能力的理解 | 低（仅知道「分钟级更新」） |
11. 下一步调研建议¶
桌面调研（可继续执行）¶
| 任务 | 预期信源 | 优先级 |
|---|---|---|
| 读 REDtech CSDN 具体文章 | CSDN REDtech_1024 | ★★ |
| 搜索 DataFunCon 2024 小红书分享的完整 slides/文字稿 | DataFun 公众号、知乎 | ★★ |
| 搜索 QCon 2025 RLHF 系统分享的详细内容 | InfoQ | ★★★ |
| 读 arXiv 2308.01204（王树森综述论文） | arXiv | ★★ |
| 搜索小红书最新招聘 JD 中的技术栈关键词 | LinkedIn, Boss 直聘 | ★ |
人工调研（需真人执行）¶
| 任务 | 为什么 AI 做不到 | 建议方式 |
|---|---|---|
| 读 REDtech 微信公众号历史文章 | 需微信环境，WebFetch 无法访问 | 手动浏览/截图 |
| 看王树森 B 站公开课视频 | 无法处理视频 | 看视频或找文字整理版 |
| 获取 DataFunCon/QCon 需付费的完整资料 | 付费墙 | 购买或联系组织方 |
| 联系小红书前/现员工了解未公开细节 | 需要人际网络 | LinkedIn networking |
| 确认小红书对王树森课程的态度 | 非公开信息 | 直接询问王树森/小红书 HR |
12. 附录¶
A. 论文间引用关系图¶
NoteLLM (2024.03)
└─→ NoteLLM-2 (2024.05) [继承 Note Compression Prompt + GCL]
└─→ IDProxy (2026.03) [对比：NoteLLM-2 类 embedding 只 +0.015%]
GenRank (2025.05)
└─→ 引用 HSTU (Meta) [对比，Action-Oriented > Item-Oriented]
└─→ IDProxy 受益 [GenRank 对冷启动 item 提升显著]
GRM+SAM (2025.12)
└─→ QP-OneModel (2026.02) [共享 GRPO, 共享 RedOne 基座]
SSD (2021.07) [独立于后续工作，重排阶段]
GemiRec (2025.10) [独立召回侧，与 NoteLLM 系列互补非替代]
B. Gap 分析表¶
| Gap 领域 | 已知线索 | 未知细节 | 可能信源 | 状态 |
|---|---|---|---|---|
| 精排多目标融合 | GenRank 提到多任务 | head 数、权重、loss 平衡 | REDtech, 知乎 | 🔍 待搜索 |
| Feature Store | GenRank:「实时窗口特征有价值」 | 架构、更新频率、特征数量 | REDtech, 招聘 JD | 🔍 待搜索 |
| 粗排架构（2024后） | 王树森课: 三塔粗排 | 是否升级到生成式 | 会议, 博客 | 🔍 待搜索 |
| 重排策略（2024后） | SSD (2021) | SSD 后有无新算法 | 博客, DataFun | 🔍 待搜索 |
| 广告排序架构 | IDProxy 部署在广告 | 完整广告排序模型、竞价机制 | 博客, 专利 | 🔍 待搜索 |
| ODL 框架 | 百亿参数分钟级更新 | 框架、增量 vs 全量、一致性保证 | 博客, 知乎 | 🔍 待搜索 |
| 用户建模/长期画像 | GemiRec 多兴趣 | 长期 vs 短期兴趣、生命周期管理 | 博客 | 🔍 待搜索 |
| 探索/利用策略 | 冷启动流量调控 | 具体算法（ε-greedy? Thompson? LinUCB?） | 博客 | 🔍 待搜索 |
C. 信源可信度评分标准¶
| 级别 | 定义 | 本次涉及的信源 |
|---|---|---|
| A | 经同行评审的学术论文，或政府/企业官方数据 | arXiv 论文 ×8（含 KDD/WWW/ACL 录用） |
| B | 行业会议正式分享、官方技术博客、数据库/报告 | QCon/DataFun/CCF 分享, 王树森课程, GitHub 开源 |
| C | 媒体报道、KOL 分析、非官方技术博客 | InfoQ 报道, CSDN/知乎 REDtech 文章, 招聘 JD |
| D | 社交媒体讨论、论坛、匿名爆料 | 脉脉招聘讨论, 知乎评论区 |
本报告使用 /research-fast skill（调研黑客）的爆炸式调研模式生成，遵循 4-phase 方法论：问题拆解 → 多维度证据搜集 → 冲突处理与交叉验证 → 结构化输出。所有 A 级信源（论文）通过 Jina Reader API 全文阅读。