推荐系统技术作为近年来非常热门的AI技术，已广泛应用于互联网各行业，从衣食住行到娱乐消费，以及无处不在的广告，背后都依赖推荐系统的决策。本书贴合工业级推荐系统，以推荐系统的整体技术框架为切入点，深入剖析推荐系统中的内容理解、用户画像、召回、排序、重排等核心模块，介绍每个模块的核心技术和业界应用，并展开介绍了推荐冷启动、推荐偏差与消偏等常见问题和解决方案。此外，还对当前推荐系统领域的热门前沿技术进行了介绍，包括强化学习、因果推断、端上智能等。
《这就是推荐系统——核心技术原理与企业应用》既适合推荐系统、计算广告及搜索领域的互联网相关从业人员，也适合高等院校人工智能、计算机技术、软件工程等专业的本科生、研究生及博士生，以及对推荐系统感兴趣的爱好者等，可以帮助他们了解工业级推荐系统的基础框架、核心技术和前沿发展。
作者简介:
胡澜涛 毕业于清华大学计算机系，快手推荐算法技术总监。曾任字节跳动高级算法工程师，腾讯高级研究员。在推荐系统领域有丰富的实践经验，负责过包括TikTok、快手、微信看一看在内的多个大规模工业级推荐系统的核心研发工作。主要研究方向为推荐系统，发表相关领域的学术论文6篇，拥有专利5项。 李玥亭 毕业于大连理工大学计算机专业。曾先后就职于百度、小米等公司，参与百度凤巢广告CTR预估模型的研发，负责小米音乐、阅读、应用商店、游戏中心等多个产品推荐服务从0到1的搭建，在搜索、广告、推荐领域有丰富的实战经验。目前转战智能家居领域，探索智能感知、智能决策等AI技术在新场景的落地。 崔光范 毕业于中国科学院软件研究所，爱奇艺助理研究员，负责短视频信息流推荐业务。曾任小米推荐算法工程师，负责应用商店、游戏中心、有品等业务的推荐工作，从零构建了小米垂域业务的深度推荐引擎... 胡澜涛 毕业于清华大学计算机系，快手推荐算法技术总监。曾任字节跳动高级算法工程师，腾讯高级研究员。在推荐系统领域有丰富的实践经验，负责过包括TikTok、快手、微信看一看在内的多个大规模工业级推荐系统的核心研发工作。主要研究方向为推荐系统，发表相关领域的学术论文6篇，拥有专利5项。 李玥亭 毕业于大连理工大学计算机专业。曾先后就职于百度、小米等公司，参与百度凤巢广告CTR预估模型的研发，负责小米音乐、阅读、应用商店、游戏中心等多个产品推荐服务从0到1的搭建，在搜索、广告、推荐领域有丰富的实战经验。目前转战智能家居领域，探索智能感知、智能决策等AI技术在新场景的落地。 崔光范 毕业于中国科学院软件研究所，爱奇艺助理研究员，负责短视频信息流推荐业务。曾任小米推荐算法工程师，负责应用商店、游戏中心、有品等业务的推荐工作，从零构建了小米垂域业务的深度推荐引擎。主要研究方向是推荐系统、计算广告、搜索等，发表过多篇论文和专利。 易可欣 毕业于北京大学，先后在爱奇艺、快手担任推荐算法工程师，主要研究方向为召回策略与模型、数据挖掘、样本优化等。
目录:
第1章 初识推荐系统 1
1.1 推荐系统大时代 1
1.2 推荐系统的核心模块 7
总结 11
第2章 多模态时代的内容理解 13
2.1 内容标签体系建设 14
2.2 文本内容理解 18
2.3 多模态内容理解 28
2.4 内容理解在推荐系统中的应用 32
总结 33
第3章 比你更了解自己的用户画像 34
3.1 初识用户画像 34
3.2 用户画像标签体系 37
3.3 用户画像标签开发 42
3.4 用户画像实践案例 46
总结 51
第4章 包罗万象的召回环节 52
4.1 召回的基本逻辑和方法论 52
4.2 传统召回策略 55
4.3 向量化模型召回 59
4.4 基于用户行为序列的召回 65
4.5 图Embedding在召回中的应用 72
4.6 前瞻性召回策略与模型 79
4.7 召回质量评估方法 82
总结 86
第5章 投你所好的排序环节 87
5.1 排序环节的意义和优化方向 87
5.2 从Embedding看排序模型的演进 89
5.3 推荐系统粗排阶段及其发展历程 113
5.4 多目标排序建模 131
5.5 推荐系统排序阶段的评估 142
总结 147
第6章 权衡再三重排序 148
6.1 重排序的必要性和作用 148
6.2 重排模型 150
6.3 重排多样性策略 160
6.4 重排中的业务规则 167
总结 169
第7章 如若初见冷启动 170
7.1 推荐冷启动的定义与挑战 170
7.2 冷启动一般解决思路 171
7.3 新用户推荐冷启动 173
7.4 新物品分发冷启动 178
总结 184
第8章 推荐系统中的魔术手 185
8.1 特征工程 185
8.2 样本加工艺术 193
8.3 推荐系统实效性 198
8.4 推荐中的偏差与消偏策略 202
总结 209
第9章 系统进化的利器——AB实验平台 210
9.1 什么是AB实验 210
9.2 AB实验平台框架 212
9.3 AB实验分流机制&实验类型 214
9.4 AB实验效果评估 217
9.5 AB实验并不是万能的 221
总结 225
第10章 推荐系统中的前沿技术 226
10.1 强化学习 226
10.2 因果推断 230
10.3 端上智能 235
10.4 动态算力分配 238
10.5 增益模型 241
总结 246
后记 247
点击下载