本篇将详细介绍如何构建简明的实验，实验案例可以参考example。Reclearn的实验主要分为两大模块：Top-K推荐与CTR 预估，因此我们从这两部分内容进行展开。
Top-K推荐指的是对于单一用户，推荐模型给其推荐物料库中最有可能的K个物品，然后再通过一些离线排序指标例如HR@K、NDCG@K、MRR@K、MAP@K等评估该模型的能力，在工业上这类模型也称为召回模型，应用在召回阶段。对于召回模型，最显著的特点就是user侧的user embedding向量与item embedding向量几乎不会发生特征交叉，除了最后阶段的点积。
Reclearn项目包含了学术上的模型（SASRec、AttRec等）和工业上的模型（DSSM、YoutubeDNN），但最终的实验流程需要统一，所以本篇实验说明定义了一种常用的数据集切割、负采样、离线指标评估等。如果使用者有自己的实验方式，也可以自己形式化定义。