业务驱动的推荐系统 方法与实践

（1）作者背景资深：作者是资深推荐系统专家，曾在阿里担任推荐和搜索方面的算法专家，是工业级高性能高维数据检索算法NSG、SSG的发明人。（2）内容另辟蹊径：不以推荐算法为核心，而是从业务视角解读推荐系统的架构设计、数据工程、算法原理，揭秘千万级DAU工业推荐系统的构建、优化奥秘。（3）重磅专家推荐：百度首席科学家王井东，浙江大学教授、青年973首席科学家蔡登，美国南加州大学终身教授任翔联袂推荐。

这是一本从业务视角解读推荐系统架构设计、评估方法、数据工程和算法原理的著作。市面上推荐系统方面的著作，内容多以推荐技术、算法和模型为主，让读者误以为掌握了推荐算法就能用好推荐系统并提升业务指标，其实推荐算法只是工具，要真正发挥推荐系统的价值，需要将推荐系统植根于业务之上。本书从业务视角出发，描绘了当下主流推荐系统的设计思想和架构全貌，重点突出系统每个模块所需要解决的问题，进而介绍一到两种实践检验普遍有效、在学术界具备里程碑性质的算法。帮助读者练成识别算法的火眼金睛，从每年大量产出的新算法研究中去粗取精，真正解决实际问题。阅读本书，你将有如下收获：从商业、运营、算法、工程视角理解推荐系统，对推荐系统的认知更加立体化；从业务视角理解推荐系统的顶层设计，掌握业务驱动的推荐系统设计思想；掌握业务驱动型推荐系统的评估方法，涵盖B端、C端和平台等多个维度；了解推荐系统的数据工程，掌握获取各类数据、构建特征体系的方法；从业务视角理解召回、排序和决策智能方面的经典算法和学术界有里程碑意义的算法；从技术和业务的双重视角去规划推荐算法工程师的成长路径，以达到事半功倍的效果。

前言
第一部分业务驱动下的推荐系统总览
第1章从业务视角看推荐系统2
1.1推荐系统的定义与商业价值2
1.1.1推荐系统的基本概念与业务驱动思想3
1.1.2浅谈个性化推荐带来的商业价值7
1.2从运营、算法与工程视角看推荐系统7
1.2.1推荐业务运营思维：货找人8
1.2.2推荐算法建模思维：人找货10
1.2.3推荐引擎工程展望：服务产品化11
第2章从业务视角看推荐系统的顶层设计12
2.1业务驱动下的推荐系统设计思想12
2.1.1业务无关的推荐系统抽象13
2.1.2推荐算法模块核心能力的建设15
2.2从系统框架透视业务生态循环17
2.2.1系统大图剖析17
2.2.2监察者：埋点日志服务17
2.2.3业务大脑：数据计算、分析及仓储服务18
2.2.4主循环系统：召回与排序模块19
2.2.5副循环系统：运营管控与作业模块21
2.2.6新陈代谢：运维与实验平台22
2.3迭代效率大化：图化服务和配置化迭代25
第3章评估推荐系统的方式与维度27
3.1业务驱动型推荐系统的评估要点27
3.1.1体验优先准则和量化方式28
3.1.2评估推荐系统的方法论29
3.1.3从3种业务价值出发设计评估体系31
3.2B端业务：B端用户体验的评估维度31
3.2.1平台玩法的可解释性31
3.2.2投放效果的可预测性32
3.2.3投入产出比33
3.2.4基尼指数34
3.3C端业务：C端用户体验的评估维度34
3.3.1兴趣相关性35
3.3.2内容质量35
3.3.3结果多样性35
3.3.4推荐惊喜性36
3.4平台成长：平台价值评估维度36
3.4.1产品调性和品牌印象37
3.4.2消费与转化率37
3.4.3高、中、低活用户留存37
3.4.4活跃用户量38
3.5评估方法概览38
3.5.1用户调研39
3.5.2离线评估39
3.5.3在线评估42
3.6AB实验42
3.6.1AB实验中的流量切分设计43
3.6.2AB实验的通用流程44
3.6.3实验结果的显著性校验和关联分析44
3.6.4实验报表与监控报警45
第二部分推荐系统的数据工程
第4章业务标签体系48
4.1业务标签体系概述48
4.1.1业务标签体系的含义48
4.1.2业务标签体系的价值49
4.1.3标签体系为什么要业务定制化49
4.2业务标签体系的设计思路50
4.2.1业务标签体系的概念设计50
4.2.2业务标签体系的系统设计52
4.3业务标签的挖掘方法53
4.3.1提取式标签挖掘54
4.3.2生成式标签挖掘55
4.3.3基于主动学习的人机协同标注系统56
4.3.4标签改写、纠错与聚合56
4.3.5标签权重计算57
4.4业务标签体系的评估方法58
4.4.1离线评估58
4.4.2在线评估59
第5章用户画像：业务层面的人格抽象60
5.1用户画像概述60
5.1.1用户画像的含义60
5.1.2用户画像的业务价值和算法价值61
5.2用户画像设计61
5.2.1用户画像概念体系设计61
5.2.2用户画像数据系统设计64
5.3用户画像的构建与迭代65
5.3.1人工挖掘方法65
5.3.2基于机器学习的挖掘方法66
5.3.3用户画像的优化迭代68
5.3.4用户画像权重计算70
5.4用户画像的评估方法71
5.4.1离线评估71
5.4.2在线评估72
第6章生态循环的血液：数据获取与处理73
6.1埋点日志服务与埋点体系的设计思想73
6.1.1埋点日志服务简介74
6.1.2业务驱动的埋点体系设计思想75
6.2可扩展的业务埋点体系77
6.2.1SPM埋点体系77
6.2.2SCM埋点体系77
6.2.3扩展埋点体系EXT78
6.2.4会话级埋点设计与消费路径跟踪78
6.3基于埋点数据的处理和分析79
6.3.1常见重要数据指标释义79
6.3.2漏斗效应和优化分析81
第7章业务定制化特征和样本工程设计83
7.1推荐特征体系概览83
7.1.1推荐特征体系简介84
7.1.2特征体系的设计思想85
7.2推荐系统特征设计及案例86
7.2.1用户描述性特征86
7.2.2用户特征的人群泛化87
7.2.3内容描述性特征87
7.2.4内容统计类特征88
7.2.5内容统计类特征泛化88
7.2.6用户与内容的交叉特征设计89
7.2.7用户历史行为序列特征设计91
7.2.8实时特征的定义和价值92
7.2.9实时统计特征设计和数据流程92
7.2.10基于机器学习的特征构造94
7.3特征应用常见问题95
7.3.1多值特征处理95
……