推荐系统全链路设计 原理解读与业务实践

?以往专注于算法模型或特征工程等某一细分领域推荐系统已经无法满足用户不断变化的需求。推荐系统涉及的技术越来越多。除了算法模型和特征工程，现在的推荐系统的核心还包括计算平台的优化、用户画像的构建与更新、产品策略的制定等。这些因素相互关联、相互影响，共同构成了一个完整的推荐系统生态。 本书聚焦于业务场景、多层推荐框架、特征处理、测评指标定义、冷启动系统等关键问题，通过深入剖析核心痛点，帮读者更好地理解和应用新时代推荐系统的核心技术。掌握了这些技术，读者就可以轻松提升推荐系统的效果和性能，满足用户日益增长的个性化需求。

这是一本指导中高级从业者高质量落地现代推荐系统，围绕现代推荐系统核心技术展开深度解读的专业工具书，又是一套完整的推荐系统高质量落地解决方案。本书基于推荐算法工程师实际工作场景规划内容，融合了作者在阿里巴巴、58同城等多家大厂做推荐系统设计和优化的经验，是一本方法和实践兼具的好书。<br />本书不针对零基础从业者，而是以帮助初级算法工程师向中高级进阶为目标。书中从底层剖析推荐系统在实际业务场景中可能出现的各种问题，直指问题的本质，并按照推荐系统工作流程逐一破解。<br />本书共包括11章：<br />第1章 主要介绍推荐系统在各个互联网业务场景中的落地情况，包括构建推荐系统可能面临的问题，以及电商、视频、电子书、广告系统、信息流、拉活促销等相关推荐系统落地指导。<br />第2章 介绍现代推荐系统的整体架构，以帮助读者从宏观层面整体了解推荐系统。<br />第3章 对推荐系统所需要的数据和特征处理进行深度剖析，包括数据的收集、非结构化数据的结构化清洗、连续特征处理和离散特征处理等重点内容。<br />第4章 对推荐系统的在线指标和离线指标，以及AB实验的设计进行深度讲解。<br />第5章和第6章，主要对机器学习和神经网络的设计和调参进行详细解读。这是本书的重点，也是很多推荐算法工程师的痛点。这部分包括XGBoost的重要参数调优、集成学习最DA化推荐效果利用、DNN网络深度和宽度的影响、激活函数的选择、优化器选择、损失函数、过/欠拟合等内容。<br />第7~9章 分别对召回层、精排层、粗排层进行详细解读，包括5种召回方案、4种精排建模方式、2种粗排设计方案，以及模型可解释性、近离线计算等重点内容。<br />第10章 主要介绍精排模型的分析方法，重排模型（PRM、生成式重排模型）和混排（混排的原理和强化学习在混排的应用）的原理。<br />第11章 主要介绍冷启动链路的设计，主要包括新用户如何冷启动、新物料如何冷启动和冷启动涉及的流量分配算法。这是本书的特色内容。

前言
第1章 什么是推荐系统
1.1深度理解推荐系统
1.2企业在构建推荐系统时会面临哪些问题
1.34类主流推荐系统构建点拨
1.3.1电商是怎么做推荐系统的
1.3.2视频网站是怎么做推荐系统的
1.3.3推荐系统是怎么应用于广告业务的
1.3.4推荐系统是怎么应用于信息流的
1.4推荐系统怎么拉活促销
1.5架构和模型在推荐系统落地中的作用
第2章 推荐系统架构
2.1推荐系统架构概述
2.2召回层概述
2.2.1非个性化召回
2.2.2个性化召回
2.3粗排层概述
2.3.1双塔粗排
2.3.2交叉粗排
2.4精排层概述
2.5重排层概述
2.6冷启动环节
2.6.1用户冷启动
2.6.2物料冷启动
第3章 构建推荐系统的特征
3.1怎么收集数据
3.2怎么清洗数据
3.2.1物料侧数据
3.2.2用户侧数据
3.2.3内容侧数据
3.2.4交叉数据
3.3怎么处理连续特征
3.3.1标准化
3.3.2无监督分箱
3.3.3有监督分箱
3.4怎么处理离散特征
……