演讲涉及推荐系统优化过程中的局部优化和全局优化之间的关系及取舍；具体问题及常见推荐算法的应用场景以及落地实践中的注意点；推荐系统的评估及A/B实验局限等问题。

演讲提纲：

1. 推荐系统的基本要素即优化目的
2. 推荐中的一些基本问题即算法套路
3. 推荐系统优化的路径即阶段性策略

听众受益：

1. 从局部到全局的视角扩展
2. 整体上把控推荐系统优化过程和路径的思路
3. 识别核心基础工作的重要性和短期算法trick收益之间的平衡

本次分享会以 vivo 商业化推荐为例阐述算法团队在模型、策略和架构的技术实践，重点会涉及召回、排序、重排序策略、分布式学习框架等关键技术模块。vivo 商业化算法团队从2019年开始发力，到目前为止逐步在大部分场景的效果接近甚至超越同期其他方案效果。

演讲提纲：

1. vivo 互联网业务场景简介
2. 推荐技术在互联网业务的挑战与突破
   • 挑战：现状和困难
   • 突破：阶段性成果
3. 推荐技术的商业化业务实践
   • 互联网商业化推荐系统
   • 推荐系统架构介绍
   • 召回策略
   • 排序策略：重点 CVR 建模方案
   • 重排序策略
   • 大规模分布式机器学习框架
4. 总结与展望

你将获得：

1. 了解到复杂场景下的迁移学习、联合建模的成功实践；
2. 学习到大规模机器学习框架的设计要点和对业务的支撑作用。

推荐系统包含典型的几个阶段：召回、排序、Reranker。本次分享将系统梳理推荐系统的若干最新技术发展趋势，首先会重点介绍对比学习及其在推荐领域的应用，其次分别对其它几个技术趋势：超长兴趣建模、AutoML、推荐系统各环节优化一致性、Debias 以及特征 Embedding 自适应等做介绍与分析。