這就是推薦系統(tǒng)：核心技術(shù)原理與企業(yè)應(yīng)用

第1章　初識推薦系統(tǒng) 1
1.1　推薦系統(tǒng)大時代 1
1.1.1 推薦系統(tǒng)的定義 2
1.1.2 推薦系統(tǒng)的價值 3
1.1.3 推薦系統(tǒng)的天時地利 4
1.1.4 推薦系統(tǒng)架構(gòu)概覽 5
1.2 推薦系統(tǒng)的核心模塊 7
1.2.1 內(nèi)容理解：理解和刻畫推薦內(nèi)容 7
1.2.2 用戶畫像：理解和刻畫用戶 7
1.2.3 召回：為用戶初篩內(nèi)容 8
1.2.4 排序：為用戶精選內(nèi)容 9
1.2.5 重排：從業(yè)務(wù)角度進行內(nèi)容調(diào)整 10
1.2.6 推薦系統(tǒng)質(zhì)量評估體系 11
總結(jié) 11
第2章　多模態(tài)時代的內(nèi)容理解 13
2.1 內(nèi)容標(biāo)簽體系建設(shè) 14
2.1.1 標(biāo)簽體系的作用 14
2.1.2 標(biāo)簽體系設(shè)計和建設(shè) 14
2.1.3 標(biāo)簽提取和生成 16
2.2 文本內(nèi)容理解 18
2.2.1 文本分類 18
2.2.2 文本標(biāo)簽提取 21
2.2.3 文本聚類 22
2.2.4 文本Embedding 22
2.2.5 知識圖譜 26
2.3 多模態(tài)內(nèi)容理解 28
2.3.1 圖像分類 28
2.3.2 視頻分類 30
2.3.3 視頻多模態(tài)內(nèi)容Embedding 31
2.4 內(nèi)容理解在推薦系統(tǒng)中的應(yīng)用 32
總結(jié) 33
第3章　比你更了解自己的用戶畫像 34
3.1 初識用戶畫像 34
3.1.1 什么是用戶畫像 35
3.1.2 用戶畫像的作用 35
3.1.3 用戶畫像系統(tǒng)架構(gòu) 36
3.2 用戶畫像標(biāo)簽體系 37
3.2.1 用戶基礎(chǔ)屬性標(biāo)簽 37
3.2.2 用戶社交屬性標(biāo)簽 39
3.2.3 用戶行為屬性標(biāo)簽 39
3.2.4 用戶興趣標(biāo)簽 40
3.2.5 用戶分層標(biāo)簽 41
3.2.6 其他常用維度標(biāo)簽 41
3.3 用戶畫像標(biāo)簽開發(fā) 42
3.3.1 標(biāo)簽的基礎(chǔ)數(shù)據(jù) 42
3.3.2 標(biāo)簽計算整體流程 42
3.3.3 規(guī)則類標(biāo)簽 44
3.3.4 統(tǒng)計類標(biāo)簽 44
3.3.5 模型類標(biāo)簽 45
3.4 用戶畫像實踐案例 46
總結(jié) 51

第4章　包羅萬象的召回環(huán)節(jié) 52
4.1 召回的基本邏輯和方法論 52
4.1.1 召回的重要性 52
4.1.2 召回與排序的區(qū)別 53
4.1.3 主要的召回策略與算法 54
4.2 傳統(tǒng)召回策略 55
4.2.1 基于內(nèi)容的召回 55
4.2.2 經(jīng)典協(xié)同過濾召回 56
4.2.3 探索類召回 58
4.3 向量化模型召回 59
4.3.1 向量化模型召回原理 59
4.3.2 從KNN到ANN 60
4.3.3 經(jīng)典向量化召回模型 62
4.4 基于用戶行為序列的召回 65
4.4.1 SASRec——經(jīng)典行為序列召回模型 65
4.4.2 BERT4Rec與BST——NLP技術(shù)與用戶行為序列結(jié)合 66
4.4.3 MIND及其衍生——多興趣召回模型 68
4.4.4 超長序列召回——建模用戶全期興趣 70
4.5 圖Embedding在召回中的應(yīng)用 72
4.5.1 圖Embedding技術(shù) 73
4.5.2 DeepWalk——經(jīng)典圖Embedding方法 74
4.5.3 Node2Vec——DeepWalk更進一步 75
4.5.4 PinSAGE——GCN在推薦系統(tǒng)領(lǐng)域的工業(yè)化應(yīng)用 76
4.5.5 MetaPath2Vec——異構(gòu)圖Embedding方法 77
4.6 前瞻性召回策略與模型 79
4.6.1 TDM——模型與索引結(jié)合的藝術(shù) 79
4.6.2 對比學(xué)習(xí)——樣本的魔法 81
4.7 召回質(zhì)量評估方法 82
4.7.1 召回評估方法概述 83
4.7.2 召回率、精確率、F1值——基準(zhǔn)評估指標(biāo) 83
4.7.3 HR、ARHR——TopN推薦評價指標(biāo) 84
4.7.4 CG、DCG、nDCG——信息增益維度的評估指標(biāo) 84
4.7.5 長尾覆蓋評估 85
總結(jié) 86
第5章　投你所好的排序環(huán)節(jié) 87
5.1 排序環(huán)節(jié)的意義和優(yōu)化方向 87
5.1.1 排序環(huán)節(jié)的意義 87
5.1.2 排序環(huán)節(jié)的優(yōu)化方向 88
5.2 從Embedding看排序模型的演進 89
5.2.1 什么是Embedding 90
5.2.2 Embedding的產(chǎn)生過程 91
5.2.3 特征組合在深度排序模型中的應(yīng)用 94
5.2.4 用戶歷史行為建模在深度排序模型中的應(yīng)用 101
5.2.5 超大規(guī)模Embedding在實際中的應(yīng)用 107
5.3 推薦系統(tǒng)粗排階段及其發(fā)展歷程 113
5.3.1 粗排定位與技術(shù)路線選擇 114
5.3.2 粗排模型架構(gòu)的演變 116
5.3.3 使用知識蒸餾增強粗排與精排的一致性 120
5.3.4 緩解樣本選擇偏差 128
5.3.5 粗排效果的評價 130
5.4 多目標(biāo)排序建模 131
5.4.1 多目標(biāo)排序建模的意義和挑戰(zhàn) 131
5.4.2 多目標(biāo)排序建模方法概覽 132
5.4.3 多目標(biāo)融合尋參 142
5.5 推薦系統(tǒng)排序階段的評估 142
5.5.1 排序評估的兩個階段 143
5.5.2 常用的效果評估指標(biāo) 144
5.5.3 常用的系統(tǒng)評估指標(biāo) 145
5.5.4 離線和線上效果的一致性問題 146
總結(jié) 147
第6章　權(quán)衡再三重排序 148
6.1 重排序的必要性和作用 148
6.2 重排模型 150
6.2.1 重排模型建模的出發(fā)點 150
6.2.2 序列重排模型 151
6.2.3 基于強化學(xué)習(xí)的重排模型 157
6.3 重排多樣性策略 160
6.3.1 重排多樣性的出發(fā)點 160
6.3.2 多樣性評估指標(biāo) 161
6.3.3 規(guī)則多樣性打散 162
6.3.4 多樣性模型策略 164
6.4 重排中的業(yè)務(wù)規(guī)則 167
總結(jié) 169
第7章　如若初見冷啟動 170
7.1 推薦冷啟動的定義與挑戰(zhàn) 170
7.2 冷啟動一般解決思路 171
7.3 新用戶推薦冷啟動 173
7.3.1 新用戶召回策略 173
7.3.2 新用戶排序模型 175
7.3.3 新用戶重排策略 177
7.4 新物品分發(fā)冷啟動 178
7.4.1 新物品冷啟動召回策略 179
7.4.2 新物品冷啟動排序策略 180
7.4.3 新物品冷啟動流量分配機制 181
總結(jié) 184
第8章　推薦系統(tǒng)中的魔術(shù)手 185
8.1 特征工程 185
8.1.1 特征的理解和分類 186
8.1.2 特征挖掘維度 186
8.1.3 工程視角下的特征工程開發(fā) 187
8.1.4 特征工程的流程和方法 190
8.2 樣本加工藝術(shù) 193
8.2.1 如何提取有效樣本 193
8.2.2 負(fù)樣本優(yōu)化 195
8.2.3 樣本遷移 197
8.2.4 其他樣本優(yōu)化技巧 198
8.3 推薦系統(tǒng)實效性 198
8.3.1 推薦數(shù)據(jù)實效性 199
8.3.2 推薦模型實效性 201
8.3.3 在線學(xué)習(xí)整體機制 202
8.4 推薦中的偏差與消偏策略 202
8.4.1 推薦偏差的緣由 203
8.4.2 推薦系統(tǒng)常見偏差 203
8.4.3 常用的消偏技術(shù)和策略 205
總結(jié) 209
第9章　系統(tǒng)進化的利器——AB實驗平臺 210
9.1 什么是AB實驗 210
9.2 AB實驗平臺框架 212
9.3 AB實驗分流機制＆實驗類型 214
9.4 AB實驗效果評估 217
9.4.1 推薦系統(tǒng)常見的AB指標(biāo) 218
9.4.2 AB實驗的假設(shè)檢驗 219
9.4.3 AB實驗的流量大小 221
9.5 AB實驗并不是的 221
總結(jié) 225
第10章　推薦系統(tǒng)中的前沿技術(shù) 226
10.1 強化學(xué)習(xí) 226
10.2 因果推斷 230
10.3 端上智能 235
10.4 動態(tài)算力分配 238
10.5 增益模型 241
總結(jié) 246