本书深入全面地讲解了现代推荐算法，同时兼顾深度和广度，介绍了当下较前沿、先进的各类算法及其实践。本书从总览篇开始，介绍推荐系统的基本概念及工作环节。在模型篇中，除了梳理推荐系统的发展史，本书还重点讲解面向工业实践的选择及改进，为读者打下推荐系统的算法基础；进而带着读者进阶到前沿篇、难点篇，面对推荐系统中的各式问题，给出解决方案；最后在决策篇中，从技术原理和用户心理出发，解释一些常见决策背后的依据，从而帮助读者从执行层面进阶到决策层面，建立大局观。本书力求用简洁易懂的语言说清核心原理，对已经有一定机器学习概念和数学基础的学生和相关领域的从业者非常友好，特别适合推荐系统、计算广告和搜索领域的从业者及学生拓展新知和项目实战

赵致辰本硕毕业于清华大学电子工程系。主要研究方向包括动作识别、人脸识别、广告和推荐中的排序模型及冷启动问题等，发表相关学术领域论文7篇。曾从事移动端人脸识别工作，开发的红外人脸识别算法应用于国内多款手机；在推荐领域，提出的“POSO”模型在用户冷启动问题上取得突破性收益，已经在业界广泛应用，国内外多家公司与产品如TikTok、快手、Meta等都在以POSO为原型探索冷启动模型。

总览篇
第 1 章 推荐系统概述 ............................................................................................. 2
1.1 推荐系统是什么 .......................................................................................... 2
1.2 推荐系统发展的天时、地利、人和 .......................................................... 4
1.2.1 天时 .................................................................................................. 6
1.2.2 地利 .................................................................................................. 6
1.2.3 人和 .................................................................................................. 7
第 2 章 现代推荐链路 ............................................................................................. 9
2.1 召回、粗排、精排——各有所长 .............................................................. 9
2.2 召回、粗排、精排——级联漏斗 ............................................................ 13
2.3 打压、保送、重排——拍不完的脑袋 .................................................... 20
模型篇
第 3 章 精排之锋 ................................................................................................... 25
3.1 简单“复读机”——逻辑回归模型 ........................................................ 25
3.2 工业逻辑回归模型的稀疏性要求 ............................................................ 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 高阶交叉 ................................................................................................... 41
3.6 工具人 GBDT ............................................................................................ 45
3.7 嵌入表示亦福亦祸，树模型的新机遇 .................................................... 49
3.8 DNN 与两大门派，“一念神魔”与功不唐捐 ........................................ 53
3.9 再论特征与嵌入生成 ................................................................................ 58
3.10 机器学习唯一指定王牌技术——注意力机制 ...................................... 62
3.11 注意力机制的几种写法 .......................................................................... 65
3.12 Transformer 的升维打击 ......................................................................... 69
第 4 章 粗排之柔 ................................................................................................... 72
4.1 粗排存在与否的必要性 ............................................................................ 73
4.2 粗排复杂化的方法 .................................................................................... 73
4.3 Pair-wise 与 List-wise ................................................................................ 74
第 5 章 召回之厚 ................................................................................................... 76
5.1 u2i 之双塔进击史 ..................................................................................... 76
5.2 i2i 及 u2u2i 方案 ....................................................................................... 81
5.3 近似搜索概览 ............................................................................................ 85
5.3.1 向量量化类方法 ............................................................................ 86
5.3.2 基于图的搜索 ................................................................................ 87
5.4 树模型与类树模型的冲击 ........................................................................ 89
第 6 章 模型迭代的术与道 .................................................................................... 93
6.1 什么是“老汤模型” ................................................................................ 93
6.2 模型迭代的“术” .................................................................................... 96
6.3 模型迭代的“道” .................................................................................... 98
前沿篇
第 7 章 用户兴趣建模 ......................................................................................... 101
7.1 从百到万的用户长期兴趣建模 .............................................................. 101
7.1.1 从百到千 ...................................................................................... 102
7.1.2 从千到万 ...................................................................................... 102
7.2 用户多峰兴趣建模 .................................................................................. 104
第 8 章 多任务学习 ............................................................................................. 107
8.1 多任务学习的实践意义 .......................................................................... 107
8.2 多任务学习的基本框架 .......................................................................... 110
8.3 平行关系建模——MMoE 类方法 ......................................................... 113
8.4 非平行关系建模，任务间的因果 .......................................................... 117
第 9 章 非梯度场景 ............................................................................................. 121
9.1 线上与线下的鸿沟 .................................................................................. 121
9.2 弱个性化 CEM，强个性化强化学习 .................................................... 124
9.3 探微参数与性能的关系，把点连成面 .................................................. 128
第 10 章 探索与利用 ........................................................................................... 133
10.1 为什么要探索与利用 ............................................................................ 133
10.2 探索的本质是巧妙“贪心” ................................................................ 136
第 11 章 后精排环节 ........................................................................................... 139
11.1 定义多样性问题，简单的形式与复杂的标准 .................................... 139
11.2 DPP 算法与多样性 ............................................................................... 142
11.3 考虑上下文的重排序 ............................................................................ 144
第 12 章 推荐中的偏差与消除............................................................................. 147
12.1 各种各样的偏差 .................................................................................... 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 自动机器学习技术 ................................................................................ 155
13.1 网络结构搜索与网络微操的探索 ........................................................ 155
13.2 特征的搜索 ............................................................................................ 159
13.3 模型压缩 ............................................................................................... 161
第 14 章 图计算 .................................................................................................. 165
14.1 数据结构的终极 .................................................................................... 165
14.2 GNN 的极简发展史 .............................................................................. 168
14.3 物料非原子化，建模转向图 ................................................................ 171
难点篇
第 15 章 延迟转化 ............................................................................................... 175
15.1 转化与广告机制 .................................................................................... 175
15.2 转化的分解 ............................................................................................ 177
15.3 其他角度 ............................................................................................... 178
第 16 章 物料冷启动 ........................................................................................... 181
16.1 “多模态之石，可以攻玉” ................................................................ 181
16.2 预排序向左，个性化向右 .................................................................... 184
16.3 流量分配，“普度众生”还是“造神” .............................................. 188
第 17 章 用户冷启动 ........................................................................................... 191
17.1 元学习，对模型拔高的要求 ................................................................ 191
17.2 初始化的基底分解与生成 .................................................................... 195
17.3 POSO，首个从结构角度改善用户冷启动的模型 .............................. 197
17.4 精品池：抓住人性需求 ........................................................................ 201
第 18 章 因果推断 ............................................................................................... 204
18.1 当分布不够用时 .................................................................................... 204
18.2 寻找“工具人”，将因果推断直接应用于推荐 ................................ 209
第 19 章 长尾优化 ............................................................................................... 212
决策篇
第 20 章 流量 ...................................................................................................... 218
20.1 重新认识流量 ........................................................................................ 218
20.1.1 流量区分快慢 ............................................................................ 219
20.1.2 流量区分成本高低 .................................................................... 220
20.1.3 流量是盲目的 ............................................................................ 220
20.1.4 流量是有“圈子”的 ................................................................ 221
20.2 时间的研究 ............................................................................................ 222
第 21 章 分层 ...................................................................................................... 224
21.1 你必须理解的物料生命周期 ................................................................ 224
21.2 你必须理解的用户分层 ........................................................................ 228
21.3 三阶段让用户为我“死心塌地” ........................................................ 231
第 22 章 实验现象与回收 .................................................................................... 234
22.1 决策上线的黄金法则 ............................................................................ 234
22.2 “临门一脚”，结果真的置信了吗 ...................................................... 237
22.3 不万能的 A/B 实验和难以归因的反转 ............................................... 239
22.4 线上和线下的对齐——无穷逼近 ........................................................ 241
后记 ....................................................................................................................... 243
参考文献 ............................................................................................................... 244