Zhe Wang
简介
打破推荐系统天花板的战略指南，适合AI工程师、算法研究员及产品技术负责人！ 豆瓣评分9.3，内容广受好评！ 推荐系统作为AI最核心的应用之一，正在从“算法驱动”向“工程优化”乃至“模型协同”演进。本书由资深推荐系统专家周志华老师作序，系统解析了现代推荐系统的六大关键能力模块，包括算法设计、系统工程、用户理解、多模态信息融合、个性化推荐策略与大模型结合等。 本书亮点 三位一体系统方法论：打通“算法 - 工程 - 大模型”三大核心环节，形成完整的推荐系统方法论框架。 大量实战案例：源自字节跳动、抖音、今日头条等一线产品的真实案例，内容贴近实际生产场景。 全链路系统设计图谱：从召回、粗排、精排到重排序，全面展示推荐系统的设计流程。 推荐系统的未来趋势：分析AIGC、大模型、多模态等前沿技术在推荐系统中的应用前景。 适合读者 推荐系统从业者（算法/工程方向） 对深度学习与推荐技术有一定基础的开发者 产品经理与AI架构师，寻求系统性理解推荐逻辑 高校AI课程或研究方向参考读物 章节精要 推荐系统发展演进路径解析 算法+工程+大模型三位一体设计 全链路推荐系统架构详解 AIGC 与大模型协同机制 实时推荐优化与系统指标提升策略 读完你将收获： 从技术细节到全局架构的全面认知 推荐系统工程实现落地指南 新一代推荐技术的发展趋势与实战经验
目录
第1章 推荐系统——互联网的增长引擎 1
1.1 为什么推荐系统是互联网的增长引擎 1
1.2 推荐系统的架构 3
1.3 算法、工程与大模型的协同创新 6
1.4 本书的整体结构 8
参考文献 9
第2章 推荐之心——深度学习推荐模型的进化之路 10
2.1 深度学习推荐模型的演化关系 10
2.2 协同过滤——经典的推荐算法 12
2.3 从LR到FFM——融合多种特征的推荐模型 18
2.4 Deep Crossing模型——深度学习推荐模型的开端 25
2.5 NeuralCF模型——双塔模型的经典应用 28
2.6 Wide&Deep模型——记忆能力和泛化能力的综合 33
2.7 加强特征交叉能力的深度学习推荐模型 35
2.8 注意力机制在推荐模型中的应用 40
2.9 考虑用户兴趣进化的序列模型 46
2.10 强化学习与推荐系统的结合 52
2.11 总结——推荐系统的深度学习时代 57
参考文献 59
第3章 浪潮之巅——大模型在推荐系统中的创新 61
3.1 引爆大模型时代的ChatGPT 61
3.2 基于Prompt的推荐——以ChatGPT 的方式改造推荐系统 66
3.3 大模型特征工程——让推荐模型学会“世界知识” 72
3.4 华为ClickPrompt——大模型与深度学习推荐模型的融合方案 76
3.5 Meta GR——用大模型的思路改进推荐模型 79
3.6 总结——方兴未艾的革命与理性的深度思考 83
参考文献 83
第4章 核心技术——Embedding 在推荐系统中的应用85
4.1 Word2vec——经典的Embedding 方法 85
4.2 Graph Embedding——引入更多结构信息的图嵌入技术 89
4.3 GNN——直接处理图结构数据的神经网络 94
4.4 Embedding与深度学习推荐系统的结合 101
4.5 近似最近邻搜索——让Embedding 插上翅膀的快速搜索方法 104
4.6 总结——深度学习推荐系统的核心操作 108
参考文献 109
第5章 推荐架构——深度学习推荐系统的级联架构 110
5.1 以快为主的召回层 111
5.2 承上启下的粗排层 116
5.3 算力和模型复杂度的较量 118
5.4 冲破信息茧房的重排层 124
5.5 总结——天下大势，合久必分，分久必合 131
参考文献 132
第6章 多个角度——推荐系统中的其他重要问题 133
6.1 如何合理地设定推荐系统中的优化目标 133
6.2 推荐系统的冷启动问题 139
6.3 消除推荐系统的“偏见”与消偏方法 144
6.4 联邦学习——解决隐私合规问题的利器 149
6.5 推荐系统中比模型结构更重要的是什么 152
参考文献 156
第7章 数据为王——推荐系统的特征工程与数据流 157
7.1 推荐系统的特征工程 157
7.2 多模态特征的处理与融合 163
7.3 推荐系统的数据流167
7.4 推荐系统的实时性 171
7.5 边缘计算——提升实时性的终极武器 177
7.6 总结——推荐系统的血液循环系统 182
参考文献 182
第8章 模型工程——深度学习推荐模型的训练和线上服务 183
8.1 TensorFlow与PyTorch——推荐模型离线训练平台 183
8.2 分布式训练与Parameter Server的原理 190
8.3 深度学习推荐模型的上线部署 198
8.4 模型架构与数据流的深度整合——模型流式训练 202
8.5 理想照进现实——工程与理论之间的权衡 206
参考文献 208
第9章 效果评估——推荐系统的评估体系 210
9.1 离线评估方法与评估指标 210
9.2 更接近线上环境的离线评估方法——Replay 216
9.3 离线评估的终极方法——推荐系统模拟器 219
9.4 A/B 测试与线上评估指标 222
9.5 快速线上评估方法——Interleaving 225
9.6 推荐系统的评估体系 229
参考文献 230
第10章 无限可能——拥抱多模态大模型和AIGC 的未来 231
10.1 Stable Diffusion——多模态大模型的基本原理 231
10.2 世界的模拟器——Sora 的基本原理 235
10.3 AI辅助内容生成 239
10.4 AI个性化内容生成 241
参考文献 244
第11章 前沿实践——深度学习推荐系统的业界经典案例 245
11.1 YouTube 深度学习视频推荐系统 245
11.2 Airbnb 基于Embedding 的实时搜索推荐系统 251
11.3 阿里巴巴深度学习推荐系统的进化 261
11.4 “麻雀虽小，五脏俱全”的开源推荐系统SparrowRecSys 270
11.5 Meta 生成式推荐模型GR 的工程实现 275
参考文献 278
第12 章 宏观体系——构建属于你的推荐系统知识框架 279
12.1 推荐系统的整体知识架构图 279
12.2 推荐模型发展的时间线 280
12.3 如何成为一名优秀的推荐工程师 282
12.4 大模型时代的挑战与机遇 284