现在主流的推荐链路可以划分为“召回–>粗排–>精排–>重排”四个阶段，也可以简化成“召回–>排序”两个阶段。
模型从0–>1的演进和1–>n的阶段不同，面临的问题也不同，这里主要关注1–>n的提升，分为突破瓶颈期和bad case解决两个部分。
突破瓶颈期
突破瓶颈期最核心的因素是识别什么是模型瓶颈，然后去定向优化解决。所以这里线介绍几个识别瓶颈的方法：
识别瓶颈
各个维度审视现在模型整体结构潜在的问题或者不足，明确哪些问题可以在现有模型下解决？哪些问题需要调整模型解决？
其中最有效的手段就是 case 查询。
查case
对于提升业务来说，查预测的case进行分析，将错误的case分门别类，针对没勒问题分析提出解决方案， 比单纯优化算法不断使用复杂算法来的有用的多。
解决瓶颈
针对原有模型的优化
-
看相关论文，技术方案
查看原始论文、技术博客等应用该模型的人的优化方案，尤其是工业界应用的优化方案。
对论文中模型的应用，特别是纯学术界的方案，更应该主要注重借鉴思路，给现有模型做加法，因为实际业务数据庞大，并且问题场景复杂，直接照搬带来的变化过大，效果变化时很难具体定位原因。 -
每次尝试之后总结业务特点
针对有效的尝试，思考效果是否发挥到了极致；
对于无效的优化，思考为什么没有效果。 -
快速迭代
通常可以任务一个人的业务贡献正比于探索过的idea的数目。
调整模型的优化
根据“没有免费的午餐理论”没有一个模型适合所有的场景，所以当真正的应用的时候，发现模型效果不如预期的时候，可能是模型不适用的原因。
BAD CASE解决
思考权重能否快速调整，召回策略能否快速调整，只有系统级别支持细粒度的权重调整策略，灵活的召回侧裂，才能够保证策略的快速迭代。
具体bad case 分析
确认bad case的细节，什么情景下推送了什么case，现象的普遍程度，bad case之前是否有异常行为。
具体实践步骤：
（1）确认用户id，bad case推送的物品id等；
（2）查看实际线网日志，确认拿到的特征数据是否正常；
（3）本地运行推荐结果，打印每个推荐环节的结果：召回的坏比率，精排的坏比率；-- 查看是否一致
（4）精细化debug：
- 确认线上服务是否挂掉，特征推送是否正常。
- 召回问题：确认多路merge策略，如果是某一个主要召回的问题，确认召回逻辑，判断是否特征缺失，架构出现问题，还是模型问题。
- 粗排问题：粗排一般是双塔模型，打印和bad case TopN相似的物品，如果有偏，需要处理样本，重新训练。
- 精排问题：打印模型权重，查看梯度回传是否消失；
（5）确认其他干扰因素：如相关策略是否耦合测试，
|