20 | 推荐引擎：没有搜索词，「头条」怎么找到你感兴趣的文章？
每天下拉刷新，资讯App就能推荐你感兴趣的头条，这背后依赖的是推荐引擎的检索技术。与搜索不同，推荐系统通过用户行为构建画像，结合内容标签与协同过滤算法，实现个性化召回。基于内容的推荐匹配兴趣，协同过滤则挖掘用户或物品相似性，再经多层排序筛选出最优结果。混合策略让推荐更精准高效。
11｜精准 Top K 检索：搜索结果是怎么进行打分排序的？
搜索引擎排序核心在于打分与Top K检索。本文详解三种打分算法：经典TF-IDF衡量词频与区分度；BM25在此基础上引入文档长度、词频饱和等优化，支持参数调节；机器学习则融合上百因子自动学习权重，提升排序精度。最后通过堆排序高效实现Top K结果返回，兼顾性能与效果。适合搜索、推荐等场景。
12 | 非精准 Top K 检索：如何给检索结果的排序过程装上加速器？
本文介绍了非精准Top K检索的优化思路与实现方法，通过简化打分机制提升检索效率。重点讲解了三种加速技术：基于静态质量得分排序截断、胜者表利用词频打分、以及分层索引的两层检索策略。这些方法将计算前置至离线阶段，在线仅做快速截断，大幅降低开销。结合精准排序的两阶段架构，广泛应用于搜索与推荐系统，实现高效召回与精度平衡。
16 | 最近邻检索（下）：如何用乘积量化实现「拍照识花」功能？
随着AI发展，以图搜图、拍图识物等应用日益普及，其核心是高效图片检索技术。本文深入解析如何通过聚类算法（如K-Means）与乘积量化结合倒排索引，实现高维图像特征向量的快速近似最近邻搜索，在降低存储开销的同时提升检索效率，广泛应用于图像搜索、推荐系统等领域。
认识AI
本文介绍了AI发展及大模型核心原理，重点解析Transformer神经网络如何通过注意力机制实现自然语言处理突破。以GPT等大模型为例，揭示其基于上下文持续生成文本的推理机制，帮助理解AI为何能生成连贯内容。
Chap01. 认识AI
本文介绍了AI核心概念与大模型开发原理，涵盖人工智能发展历程及Transformer神经网络的关键作用。详解其注意力机制如何提升信息处理智能，并解析大语言模型（LLM）如何通过持续生成实现连贯文本输出，帮助理解GPT等模型的工作机制。（238字）
