这就是推荐系统——核心技术原理与企业应用

图书标准信息

• 作者 胡澜涛
• 出版社 电子工业出版社
• 出版时间 2023-05
• 版次 1
• ISBN 9787121454226
• 定价 108.00元
• 装帧 其他
• 页数 264页

【内容简介】

推荐系统作为近年来非常热门的AI技术落地场景，已广泛应用于各行业的互联网应用，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、推荐偏置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。

【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Tikok、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?h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、快手担任推荐系统算法工程师，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

1.1.1  推荐系统的定义2

1.1.2  推荐系统的价值3

1.1.3  推荐系统的天时地利4

1.1.4  推荐系统架构概览5

1.2  推荐系统的核心模块7

1.2.1  内容理解：理解和刻画推荐内容7

1.2.2  用户画像：理解和刻画用户7

1.2.3  召回：为用户初筛内容8

1.2.4  排序：为用户精选内容9

1.2.5  重排：从业务角度进行内容调整10

1.2.6  推荐系统质量评估体系11

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

2.1.1  标签体系的作用14

2.1.2  标签体系设计和建设14

2.1.3  标签提取和生成16

2.2  文本内容理解18

2.2.1  文本分类18

2.2.2  文本标签提取21

2.2.3  文本聚类22

2.2.4  文本Embedding22

2.2.5  知识图谱26

2.3  多模态内容理解28

2.3.1  图像分类28

2.3.2  视频分类30

2.3.3  视频多模态内容Embedding31

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

3.1.1  什么是用户画像35

3.1.2  用户画像的作用35

3.1.3  用户画像系统架构36

3.2  用户画像标签体系37

3.2.1  用户基础属性标签37

3.2.2  用户社交属性标签39

3.2.3  用户行为属性标签39

3.2.4  用户兴趣标签40

3.2.5  用户分层标签41

3.2.6  其他常用维度标签41

3.3  用户画像标签开发42

3.3.1  标签的基础数据42

3.3.2  标签计算整体流程42

3.3.3  规则类标签44

3.3.4  统计类标签44

3.3.5  模型类标签45

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

4.1.1  召回的重要性52

4.1.2  召回与排序的区别53

4.1.3  主要的召回策略与算法54

4.2  传统召回策略55

4.2.1  基于内容的召回55

4.2.2  经典协同过滤召回56

4.2.3  探索类召回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  从KNN到ANN60

4.3.3  经典向量化召回模型62

4.4  基于用户行为序列的召回65

4.4.1  SASRec——经典行为序列召回模型65

4.4.2  BERT4Rec与BST——NLP技术与用户行为序列结合66

4.4.3  MIND及其衍生——多兴趣召回模型68

4.4.4  超长序列召回——建模用户全期兴趣70

4.5  图Embedding在召回中的应用72

4.5.1  图Embedding技术73

4.5.2  DeepWalk——经典图Embedding方法74

4.5.3  Node2Vec——DeepWalk更进一步75

4.5.4  PinSAGE——GCN在推荐系统领域的工业化应用76

4.5.5  MetaPath2Vec——异构图Embedding方法77

4.6  前瞻性召回策略与模型79

4.6.1  TDM——模型与索引结合的艺术79

4.6.2  对比学习——样本的魔法81

4.7  召回质量评估方法82

4.7.1  召回评估方法概述83

4.7.2  召回率、精确率、F1值——基准评估指标83

4.7.3  HR、ARHR——TopN推荐评价指标84

4.7.4  CG、DCG、nDCG——信息增益维度的评估指标84

4.7.5  长尾覆盖评估85

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

5.1.1  排序环节的意义87

5.1.2  排序环节的优化方向88

5.2  从Embedding看排序模型的演进89

5.2.1  什么是Embedding90

5.2.2  Embedding的产生过程91

5.2.3  特征组合在深度排序模型中的应用94

5.2.4  用户历史行为建模在深度排序模型中的应用101

5.2.5  超大规模Embedding在实际中的应用107

5.3  推荐系统粗排阶段及其发展历程113

5.3.1  粗排定位与技术路线选择114

5.3.2  粗排模型架构的演变116

5.3.3  使用知识蒸馏增强粗排与精排的一致性120

5.3.4  缓解样本选择偏差128

5.3.5  粗排效果的评价130

5.4  多目标排序建模131

5.4.1  多目标排序建模的意义和挑战131

5.4.2  多目标排序建模方法概览132

5.4.3  多目标融合寻参142

5.5  推荐系统排序阶段的评估142

5.5.1  排序评估的两个阶段143

5.5.2  常用的效果评估指标144

5.5.3  常用的系统评估指标145

5.5.4  离线和线上效果的一致性问题146

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

6.2.1  重排模型建模的出发点150

6.2.2  序列重排模型151

6.2.3  基于强化学习的重排模型157

6.3  重排多样性策略160

6.3.1  重排多样性的出发点160

6.3.2  多样性评估指标161

6.3.3  规则多样性打散162

6.3.4  多样性模型策略164

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

7.3.1  新用户召回策略173

7.3.2  新用户排序模型175

7.3.3  新用户重排策略177

7.4  新物品分发冷启动178

7.4.1  新物品冷启动召回策略179

7.4.2  新物品冷启动排序策略180

7.4.3  新物品冷启动流量分配机制181

总结184

第8章　推荐系统中的魔术手185

8.1  特征工程185

8.1.1  特征的理解和分类186

8.1.2  特征挖掘维度186

8.1.3  工程视角下的特征工程开发187

8.1.4  特征工程的流程和方法190

8.2  样本加工艺术193

8.2.1  如何提取有效样本193

8.2.2  负样本优化195

8.2.3  样本迁移197

8.2.4  其他样本优化技巧198

8.3  推荐系统实效性198

8.3.1  推荐数据实效性199

8.3.2  推荐模型实效性201

8.3.3  在线学习整体机制202

8.4  推荐中的偏差与消偏策略202

8.4.1  推荐偏差的缘由203

8.4.2  推荐系统常见偏差203

8.4.3  常用的消偏技术和策略205

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

9.4.1  推荐系统常见的AB指标218

9.4.2  AB实验的假设检验219

9.4.3  AB实验的流量大小221

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