鏈接：https://pan.baidu.com/s/15xIUhVhbX20oWdk2THLyBw?pwd=wpa5?

提取碼：wpa5

【內(nèi)容簡介】

推薦系統(tǒng)作為近年來非常熱門的AI技術(shù)落地場景，已廣泛應(yīng)用于各行業(yè)的互聯(lián)網(wǎng)應(yīng)用，從衣食住行到娛樂消費(fèi)，以及無處不在的廣告，背后都依賴推薦系統(tǒng)的決策。本書貼合工業(yè)級推薦系統(tǒng)，以推薦系統(tǒng)的整體技術(shù)框架為切入點(diǎn)，深入剖析推薦系統(tǒng)中的內(nèi)容理解、用戶畫像、召回、排序、重排等核心模塊，介紹每個模塊的核心技術(shù)和業(yè)界應(yīng)用，并展開介紹了推薦冷啟動、推薦偏置與消偏等常見問題和解決方案。此外，還對當(dāng)前推薦系統(tǒng)領(lǐng)域的熱門前沿技術(shù)進(jìn)行了介紹，包括強(qiáng)化學(xué)習(xí)、因果推斷、端上智能等。

【目錄】

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(jìn)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(jì)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Embedding22
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Embedding31
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(jì)算整體流程42
3.3.3 規(guī)則類標(biāo)簽44
3.3.4 統(tǒng)計(jì)類標(biāo)簽44
3.3.5 模型類標(biāo)簽45
3.4 用戶畫像實(shí)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ANN60
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(jìn)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(jìn)89
5.2.1 什么是Embedding90
5.2.2 Embedding的產(chǎn)生過程91
5.2.3 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(shí)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(qiáng)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(diǎn)150
6.2.2 序列重排模型151
6.2.3 基于強(qiáng)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(diǎn)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(jī)制181
總結(jié)184
第8章　推薦系統(tǒng)中的魔術(shù)手185
8.1 征工程185
8.1.1 征的理解和分類186
8.1.2 征挖掘維度186
8.1.3 工程視角下的征工程開發(fā)187
8.1.4 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(shí)效性198
8.3.1 推薦數(shù)據(jù)實(shí)效性199
8.3.2 推薦模型實(shí)效性201
8.3.3 在線學(xué)習(xí)整體機(jī)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(jìn)化的利器——AB實(shí)驗(yàn)平臺210
9.1 什么是AB實(shí)驗(yàn)210
9.2 AB實(shí)驗(yàn)平臺框架212
9.3 AB實(shí)驗(yàn)分流機(jī)制＆實(shí)驗(yàn)類型214
9.4 AB實(shí)驗(yàn)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(shí)驗(yàn)的假設(shè)檢驗(yàn)219
9.4.3 AB實(shí)驗(yàn)的流量大小221
9.5 AB實(shí)驗(yàn)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(qiáng)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

【作者簡介】

胡瀾濤，畢業(yè)于清華大學(xué)計(jì)算機(jī)系，推薦算法技術(shù)總監(jiān)。曾任字節(jié)跳動高級算法工程師，騰訊高級研究員。在推薦系統(tǒng)領(lǐng)域有豐富的實(shí)踐經(jīng)驗(yàn)，負(fù)責(zé)過包括Tikok、、看一看在內(nèi)的多個大規(guī)模工業(yè)級推薦系統(tǒng)的核心研發(fā)工作。主要研究方向?yàn)橥扑]系統(tǒng)，發(fā)表相關(guān)領(lǐng)域的學(xué)術(shù)論文6篇，擁有專利5項(xiàng)。李?h亭，畢業(yè)于大連理工大學(xué)計(jì)算機(jī)專業(yè)。曾先后就職于百度、小米等公司，參與百度鳳巢廣告CTR預(yù)估模型的研發(fā)，負(fù)責(zé)小米音樂、閱讀、應(yīng)用商店、游戲中心等多個產(chǎn)品推薦服務(wù)從0到1的搭建，在搜索、廣告、推薦領(lǐng)域有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。目前轉(zhuǎn)戰(zhàn)智能家居領(lǐng)域，探索智能感知、智能決策等AI技術(shù)在新場景的落地。崔光范，畢業(yè)于中國科學(xué)院軟件，愛奇藝助理研究員，負(fù)責(zé)短視頻信息流推薦業(yè)務(wù)。曾任小米推薦算法工程師，負(fù)責(zé)應(yīng)用商店、游戲中心、有品等業(yè)務(wù)的推薦工作，從零構(gòu)建了小米垂域業(yè)務(wù)的深度推薦引擎。主要研究方向是推薦系統(tǒng)、計(jì)算廣告、搜索等，發(fā)表過多篇論文和專利。易可欣，畢業(yè)于大學(xué)，先后在愛奇藝、擔(dān)任推薦系統(tǒng)算法工程師，主要研究方向?yàn)檎倩夭呗耘c模型、數(shù)據(jù)挖掘、樣本優(yōu)化等。