最近有些迷茫吧，所以在这里想倾诉一下，顺便把做过项目的心得在这里说一下……
项目经验
最近我一个承接了一个业务线的项目工作，那我们就重头说起吧。
首先，刚接到这个任务的时候，我感觉很荣幸，也很激动。为什么呢？因为我觉得我又可以踏足于一个我没有接触的领域，这个领域责任很重，任务很多，链路很长……我觉得如果我来负责整个项目，把控整个项目，我会有很大的进步空间，从中不仅可以将之前所学所用的东西融进来，还可以接触到、学习到我没有触及过的很多东西吧。
刚接手的那段时间，我对熟悉的东西还是很有信心能够做好的（但是这个也需要时间和精力去做）。当你真正的一个人负责整个业务线的时候，做的过程中你会觉得时间、排期根本不够用，并不是当初自己想的那么简单，可能会遇到各种意想不到的突发问题：与业务方的勾兑需求问题、最初的埋点问题、业务方办事效率问题、以及之前没接触过的工作经验问题、最后就是技术问题了。反正所有的这些问题，只有你一个人来进行反馈、验证、解决，每个版本的迭代周期也就是最多一个月，这个时候你会感觉好累呀（各种沟通、会议，自己根本无法全身心投入技术研究）。就算你很厉害，一边勾兑问题、需求、验收等等，你还可以全身心投入技术效果的优化中，但是优化那么简单的吗？你是否真正check过数据是否完整：类目体系、各种标签等都给到了吗？如果数据不完整，做技术研究会做好吗？（最基础的意图、ner怎么做呀），更何况后面还会有召回、排序的特征从哪里来，没有这些数据又怎么能保证你的搜索、推荐效果那么好？这一切的一切都是问题，但又不能不做，就是挖地三尺都要把该有的特征和数据自己挖出来，这个过程真的好痛苦啊。
不过整个项目你都能自己做了，也就能慢慢地负责更大的项目了。我还是很庆幸自己有这种经历的，对整个搜索、推荐算法有了全局的把控能力。
技术困难
搜索和推荐，本来就是两个截然不同的方向领域。当然，有些人会说：搜索和推荐是相通的，会搜索了，推荐也就会了，我刚开始也是这么想的。但是这个相通的定义是什么？是直接搜索算法放到推荐就能用？还是推荐算法放到搜索上就能好使？老话说的好：万物要回归事物本质。搜索本质要的准确，出现用户不想要的就是badcase，就是0分。推荐本质要的是个性化，相关性，出现用户不想要的不一定是badcase，是大于等于0分的。所以做搜索算法的码农线上真的不能出现任何差错，尤其是对于高频case了。身边做推荐的可以上各种模型：双塔模型、深度语义模型，传统机器学习模型（需要特征工程），这都是基于大数据，没有大量的用户埋点数据能做吗？反正我没见过，稀疏的话就别用模型了。言归正传，就是这些双塔模型、深度模型用在推荐没什么，人家就不需要很准确，出现不相关的结果又能怎么样，无非就是ctr、转化率低点嘛，我慢慢优化就是了，就死不了。但是这些模型放到搜索上呢，你敢说你的模型放上去就是好的，高频badcase你能保证不出问题吗？线上出了问题靠模型能立即解决吗？有些人会说：不会做小流看对比试验桶的指标吗？好的话就可以推全量了呗。那线上出问题怎么办？小流量的用户就不是用户了吗？不是说搜索不可以用推荐的特征和模型，可以用，这得看什么时候用。如果刚启动这个项目几个月，你就想上深度模型、语义模型，这有点不现实，你的数据都没积累到一定的量，所以说上不上模型得看时机，稀疏特征对模型不会起到很大的作用，点击特征很重要，没有大量的数据就不要使用浪费时间。业务达标才是王道。
今天就说这些吧，这些都是我个人的体会和心得，意见不一致的自己保留就好了。
好好吃饭，好好睡觉，好好达标，过个好年！加油！
