这是关于"社交推荐为什么在物品推荐那套打法上持续表现不佳、以及该怎么办"的三部曲系列的一个简短索引。整个系列归结起来就一个想法，分三篇文章。这一页就是这个想法，附上链接。
核心想法
物品推荐跑在一张二分图上，用户一边、物品另一边，这个拓扑把每个节点的角色固定死了。社交推荐跑在一张单分图上，同一个人在一条边里是查看者、在另一条边里就成了候选。就这一个差异，是你把物品推荐那套机器（共享嵌入、注意力、序列模型）搬到人身上时、大部分问题的根本原因：它把"查看者–候选"的相关性矩阵推向高有效秩，而那套机器底下那些低秩算子表达不了高秩；它也把最强的信号、三元闭合，放进了一个二分拓扑根本容不下的 motif 里。这个系列给出的回应是：别再给每个候选一个固定向量，而是把比较里查看者那一侧，从查看者自身的结构生成出来，一个逐查看者的投影算子；它并不会把秩天花板抬高，而真正的问题，是怎么在十亿用户的规模上做到这件事、又不让成本爆炸。
三篇文章
- 第一部分：物品推荐是二分图，社交推荐不是。，诊断。拓扑差异为什么破坏了那套打法，为什么堆注意力也无济于事（注意力是一个秩受限的双线性算子），以及对那个最常见反驳的两轴防御。
- 第二部分：如何判断你的推荐问题是低秩的，严谨。怎么在不骗到自己的前提下量秩（代数秩没用；两个混淆因素是稀疏性和流行度；只有一张图能一锤定音），以及为什么就算证明了"高秩"，你仍然站在一个对这个问题来说太小的框架里。
- 第三部分：十亿规模下的查看者条件投影，实现。作为结构指纹的候选嵌入、作为低秩残差的逐查看者算子、生成它的超网络、让它免费上线的查询侧技巧，外加诚实的创新定位和对双向注意力的反驳。
贯穿全篇的几个想法
- 候选嵌入在物品推荐里是个名词，在社交推荐里它得是个动词。
- 同一个人，在每个人眼里都不是同一个人。
- 注意力是混合结构，不是发现结构。你没法靠再加一个注意力头去抬一个秩天花板。
- 社交推荐里最强的信号，三元闭合，活在一个二分图根本容不下的 motif 里。
- 以查看者为条件的投影是一块中间楼层，不是终点。它替代不了图特征。
止于何处
诚实的论断是窄的。逐查看者投影不是个新机制，它可追溯到 2015 年的 McAuley 等人，它也不是一条绕过秩天花板的路；单分拓扑逼出来的是不对称性，逐查看者投影是拿到它的一种办法，而查询侧的分解，是让这种办法在规模上负担得起的原因。剩下的是证据：在一张真实图上跑那条"指标对维度"的曲线，以及那个"在注意力上面再加 Adamic-Adar"的消融。那部分是一个实验，而实验，和论证不一样，是好读的。