內容簡介

本書深入全面地講解了現代推薦演算法，同時兼顧深度和廣度，介紹了當下較前沿、先進的各類演算法及其實踐。本書從總覽篇開始，介紹推薦系統的基本概念及工作環節。

在模型篇中，除了梳理推薦系統的發展史，本書還重點講解面向工業實踐的選擇及改進，為讀者打下推薦系統的演算法基礎；進而帶著讀者進階到前沿篇、難點篇，面對推薦系統中的各式問題，給出解決方案；後在決策篇中，從技術原理和用戶心理出發，解釋一些常見決策背後的依據，從而幫助讀者從執行層面進階到決策層面，建立大局觀。

本書力求用簡潔易懂的語言說清核心原理，對已經有一定機器學習概念和數學基礎的學生和相關領域的從業者非常友好，特別適合推薦系統、計算廣告和搜索領域的從業者及學生拓展新知和專案實戰。

作者介紹

趙致辰
本碩畢業於清華大學電子工程系。主要研究方向包括動作識別、人臉識別、廣告和推薦中的排序模型及冷開機問題等，發表相關學術領域論文7篇。曾從事移動端人臉識別工作，開發的紅外人臉識別演算法應用於國內多款手機；在推薦領域，提出的“POSO”模型在使用者冷開機問題上取得突破性收益，已經在業界廣泛應用，國內外多家公司與產品如TikTok、快手、Meta等都在以POSO為原型探索冷開機模型。

總覽篇
第 1 章推薦系統概述 ............................................................................................. 2
1.1 推薦系統是什麼 .......................................................................................... 2
1.2 推薦系統發展的天時、地利、人和 .......................................................... 4
1.2.1 天時 .................................................................................................. 6
1.2.2 地利 .................................................................................................. 6
1.2.3 人和 .................................................................................................. 7
第 2 章現代推薦鏈路 ............................................................................................. 9
2.1 召回、粗排、精排——各有所長 .............................................................. 9
2.2 召回、粗排、精排——級聯漏斗 ............................................................ 13
2.3 打壓、保送、重排——拍不完的腦袋 .................................................... 20

模型篇
第 3 章精排之鋒 ................................................................................................... 25
3.1 簡單“複讀機”——邏輯回歸模型 ........................................................ 25
3.2 工業邏輯回歸模型的稀疏性要求 ............................................................ 29
3.3 FM 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 高階交叉 ................................................................................................... 41
3.6 工具人 GBDT ............................................................................................ 45
3.7 嵌入表示亦福亦禍，樹模型的新機遇 .................................................... 49
3.8 DNN 與兩大門派，“一念神魔”與功不唐捐 ........................................ 53
3.9 再論特徵與嵌入生成 ................................................................................ 58
3.10 機器學習指定王牌技術——注意力機制 ...................................... 62
3.11 注意力機制的幾種寫法 .......................................................................... 65
3.12 Transformer 的升維打擊 ......................................................................... 69
第 4 章粗排之柔 ................................................................................................... 72
4.1 粗排存在與否的必要性 ............................................................................ 73
4.2 粗排複雜化的方法 .................................................................................... 73
4.3 Pair-wise 與 List-wise ................................................................................ 74
第 5 章召回之厚 ................................................................................................... 76
5.1 u2i 之雙塔進擊史 ..................................................................................... 76
5.2 i2i 及 u2u2i 方案 ....................................................................................... 81
5.3 近似搜索概覽 ............................................................................................ 85
5.3.1 向量量化類方法 ............................................................................ 86
5.3.2 基於圖的搜索 ................................................................................ 87
5.4 樹模型與類樹模型的衝擊 ........................................................................ 89
第 6 章模型反覆運算的術與道 .................................................................................... 93
6.1 什麼是“老湯模型” ................................................................................ 93
6.2 模型反覆運算的“術” .................................................................................... 96
6.3 模型反覆運算的“道” .................................................................................... 98

前沿篇
第 7 章用戶興趣建模 ......................................................................................... 101
7.1 從百到萬的用戶長期興趣建模 .............................................................. 101
7.1.1 從百到千 ...................................................................................... 102
7.1.2 從千到萬 ...................................................................................... 102
7.2 用戶多峰興趣建模 .................................................................................. 104
第 8 章多工學習 ............................................................................................. 107
8.1 多工學習的實踐意義 .......................................................................... 107
8.2 多工學習的基本框架 .......................................................................... 110
8.3 平行關係建模——MMoE 類方法 ......................................................... 113
8.4 非平行關係建模，任務間的因果 .......................................................... 117
第 9 章非梯度場景 ............................................................................................. 121
9.1 線上與線下的鴻溝 .................................................................................. 121
9.2 弱個性化 CEM，強個性化強化學習 .................................................... 124
9.3 探微參數與性能的關係，把點連成面 .................................................. 128
第 10 章探索與利用 ........................................................................................... 133
10.1 為什麼要探索與利用 ............................................................................ 133
10.2 探索的本質是巧妙“貪心” ................................................................ 136
第 11 章後精排環節 ........................................................................................... 139
11.1 定義多樣性問題，簡單的形式與複雜的標準 .................................... 139
11.2 DPP 演算法與多樣性 ............................................................................... 142
11.3 考慮上下文的重排序 ............................................................................ 144
第 12 章推薦中的偏差與消除............................................................................. 147
12.1 各種各樣的偏差 .................................................................................... 147
12.2 流行度偏差的消除 ................................................................................ 148
12.3 位置偏差的消除 .................................................................................... 151
第 13 章自動機器學習技術 ................................................................................ 155
13.1 網路結構搜索與網路微操的探索 ........................................................ 155
13.2 特徵的搜索 ............................................................................................ 159
13.3 模型壓縮 ............................................................................................... 161
第 14 章圖計算 .................................................................................................. 165
14.1 資料結構的終極 .................................................................................... 165
14.2 GNN 的極簡發展史 .............................................................................. 168
14.3 物料非原子化，建模轉向圖 ................................................................ 171

難點篇
第 15 章延遲轉化 ............................................................................................... 175

看更多