现代推荐算法

"《现代推荐算法》不仅全面地介绍了当下前沿流行的各式推荐算法，更多的是在阐释技术的同时把作者多年作为推荐算法工程师的工作经验和技巧融合进去，提升本书的含金量，给读者能同时带去技术和职场双重收获！ 得到： →中国图象图形学学会副理事长兼秘书长 北京科技大学计算机与通信工程学院副院长|马惠敏 →张枫 →Meta Principal Scientist |刘霁 →阿里妈妈展示及内容广告算法总监|姜宇宁（孟诸） →北京大学计算机学院助理教授、博士生导师|王鹤 五位专家倾情作序推荐，每篇推荐序都是值得我们学习的推荐典范文章，既讲述了推荐的发展历史又阐明当下推荐趋势。 也得到了： →抖音推荐负责人|刘作涛 →字节跳动前视觉技术负责人|王长虎 →快手推荐算法副总裁|周国睿 →清华大学博士|陈晓智 →AMD高级软件研发经理|李栋 →卡耐基梅隆大学博士后 Sea AI Lab 研究员|许翔宇 →旷视科技高级研究员|刘宇 →清华大学未来实验室助理研究员|路奇 →思谋科技总经理|苏驰 九位专家的鼎力推荐，诚心道出对本书的赞赏与评价，供读者品鉴。"

本书深入全面地讲解了现代推荐算法，同时兼顾深度和广度，介绍了当下较前沿、优选的各类算法及其实践。本书从总览篇开始，介绍推荐系统的基本概念及工作环节。在模型篇中，除了梳理推荐系统的发展史，本书还重点讲解面向工业实践的选择及改进，为读者打下推荐系统的算法基础；进而带着读者进阶到前沿篇、难点篇，面对推荐系统中的各式问题，给出解决方案；最后在决策篇中，从技术原理和用户心理出发，解释一些常见决策背后的依据，从而帮助读者从执行层面进阶到决策层面，建立大局观。本书力求用简洁易懂的语言说清核心原理，对已经有一定机器学习概念和数学基础的学生和相关领域的从业者非常友好，特别适合推荐系统、计算广告和搜索领域的从业者及学生拓展新知和项目实战。

"赵致辰 本硕毕业于清华大学电子工程系。主要研究方向包括动作识别、人脸识别、广告和推荐中的排序模型及冷启动问题等，发表相关学术领域论文7篇。曾从事移动端人脸识别工作，开发的红外人脸识别算法应用于国内多款手机；在推荐领域，提出的“POSO”模型在用户冷启动问题上取得突破性收益，已经在业界广泛应用，国内外多家公司与产品如TikTok、快手、Meta等都在以POSO为原型探索冷启动模型。"

总览篇
第1章推荐系统概述.2
1.1推荐系统是什么.2
1.2推荐系统发展的天时、地利、人和.4
1.2.1天时.6
1.2.2地利.6
1.2.3人和.7
第2章现代推荐链路.9
2.1召回、粗排、精排——各有所长.9
2.2召回、粗排、精排——级联漏斗.13
2.3打压、保送、重排——拍不完的脑袋.20
模型篇
第3章精排之锋.25
3.1简单“复读机”——逻辑回归模型.25
3.2工业逻辑回归模型的稀疏性要求.29
3.3FM的一小步，泛化的一大步.34
3.4多彩的FNN/PNN/ONN/NFM世界.37
3.5高阶交叉.41
3.6工具人GBDT.45
3.7嵌入表示亦福亦祸，树模型的新机遇.49
3.8DNN与两大门派，“一念神魔”与功不唐捐.53
3.9再论特征与嵌入生成.58
3.10机器学习专享指定品牌技术——注意力机制.62
3.11注意力机制的几种写法.65
3.12Transformer的升维打击.69
第4章粗排之柔.72
4.1粗排存在与否的必要性.73
4.2粗排复杂化的方法.73
4.3Pair-wise与List-wise.74
第5章召回之厚.76
5.1u2i之双塔进击史.76
5.2i2i及u2u2i方案.81
5.3近似搜索概览.85
5.3.1向量量化类方法.86
5.3.2基于图的搜索.87
5.4树模型与类树模型的冲击.89
第6章模型迭代的术与道.93
6.1什么是“老汤模型”.93
6.2模型迭代的“术”.96
6.3模型迭代的“道”.98
前沿篇
第7章用户兴趣建模.101
7.1从百到万的用户长期兴趣建模.101
7.1.1从百到千.102
7.1.2从千到万.102
7.2用户多峰兴趣建模.104
第8章多任务学习.107
8.1多任务学习的实践意义.107
8.2多任务学习的基本框架.110
8.3平行关系建模——MMoE类方法.113
8.4非平行关系建模，任务间的因果.117
第9章非梯度场景.121
9.1线上与线下的鸿沟.121
9.2弱个性化CEM，强个性化强化学习.124
9.3探微参数与性能的关系，把点连成面.128
第10章探索与利用.133
10.1为什么要探索与利用.133
10.2探索的本质是巧妙“贪心”.136
第11章后精排环节.139
11.1定义多样性问题，简单的形式与复杂的标准.139
11.2DPP算法与多样性.142
11.3考虑上下文的重排序.144
第12章推荐中的偏差与消除.147
12.1各种各样的偏差.147
12.2流行度偏差的消除.148
12.3位置偏差的消除.151
第13章自动机器学习技术.155
13.1网络结构搜索与网络微操的探索.155
13.2特征的搜索.159
13.3模型压缩.161
第14章图计算.165
14.1数据结构的终极.165
14.2GNN的极简发展史.168
14.3物料非原子化，建模转向图.171
难点篇
第15章延迟转化.175
15.1转化与广告机制.175
15.2转化的分解.177
15.3其他角度.178
第16章物料冷启动.181
16.1“多模态之石，可以攻玉”.181
16.2预排序向左，个性化向右.184
16.3流量分配，“普度众生”还是“造神”.188
第17章用户冷启动.191
17.1元学习，对模型拔高的要求.191
17.2初始化的基底分解与生成.195
17.3POSO，少有从结构角度改善用户冷启动的模型.197
17.4精品池：抓住人性需求.201
第18章因果推断.204
18.1当分布不够用时.204
18.2寻找“工具人”，将因果推断直接应用于推荐.209
第19章长尾优化.212
决策篇
第20章流量.218
20.1重新认识流量.218
20.1.1流量区分快慢.219
20.1.2流量区分成本高低.220
20.1.3流量是盲目的.220
20.1.4流量是有“圈子”的.221
20.2时间的研究.222
第21章分层.224
21.1你必须理解的物料生命周期.224
21.2你必须理解的用户分层.228
21.3三阶段让用户为我“死心塌地”.231
第22章实验现象与回收.234
22.1决策上线的黄金法则.234
22.2“临门一脚”，结果真的置信了吗.237
22.3不万能的A/B实验和难以归因的反转.239
22.4线上和线下的对齐——无穷逼近.241
后记.243
参考文献.244