本书不要求读者必须具备深度学习或者机器学习的背景知识，不论是互联网行业的技术、产品、运营人员，还是高等院校的在校生，或者对个性化推荐、大数据应用感兴趣的爱好者等都可以阅读此书。
亮点一：完全来自于工业化实践，内容按照实际推荐系统的模块划分：内容理解、用户画像、召回、排序、重排等，其他书没有这样写的。
亮点二：内容全面系统但精炼，全书是作者根据实践总结，没有大面积理论讲解，只讲基础框架、核心技术和前沿发展。
亮点三：囊括当下热门前沿技术，包括强化学习、因果推断、端上智能，以及ChatGPT时代的推荐系统未来发展描述，对当下的技术人员很有指导意义。
亮点四：四位作者均是来自一线大厂的工程师，长期在工业界从事推荐算法的相关应用研究，本书的内容融入了作者对推荐算法的思考、体会及实战经验。
亮点五：此书不仅具有全局视野，体系完善，而且生动翔实，细节拉满。不管你是小白还是推荐系统的从业者，阅读此书都会让你受益匪浅。
向读者更全面、更具体地介绍推荐系统，全方位地剖析主流工业推荐系统的运作机理和每个核心模块，并让读者能够了解不同的互联网产品中推荐系统是如何与业务场景进行深度结合来加速达成业务核心目标的。
ChatGPT与推荐系统：自然语言处理与个性化推荐的结合
随着互联网的普及和人们生活方式的改变，推荐系统在各行各业的应用越来越广泛。推荐系统的目标是为用户提供个性化、准确的推荐服务，从而提高用户的满意度和购买率。
在实现个性化推荐的过程中，用户与系统之间的交互和沟通是至关重要的，而自然语言处理技术则是实现这种交互和沟通的重要工具。在这个背景下，像ChatGPT这样的自然语言处理模型与推荐系统的结合具有很大的潜力，可以实现更加智能化、自然化的推荐服务。
ChatGPT是一种基于深度学习技术的自然语言处理模型，它可以完成文本生成、对话生成、文本分类等任务。在推荐系统中，ChatGPT可以通过分析用户的历史行为和语言表达，推测用户的偏好和需求，并为用户提供相应的推荐。例如，在电商领域，ChatGPT可以通过分析用户的搜索历史和购买记录，来推测用户的商品偏好和购买意愿，为用户提供个性化的商品推荐；在社交媒体领域，ChatGPT可以通过分析用户的社交网络和言论，推测用户的兴趣和需求，为用户提供个性化的内容推荐。
除了分析用户的历史行为和语言表达，ChatGPT还可以与用户进行自然对话，了解用户的实时需求和反馈。例如，在电商领域，ChatGPT可以与用户进行实时对话，了解用户的商品需求和偏好，为用户提供更加准确的推荐；在社交媒体领域，ChatGPT可以与用户进行实时对话，了解用户的观点和情感，为用户提供更加符合他们的兴趣和需求的内容推荐。
ChatGPT与推荐系统的结合，不仅可以提高推荐的准确性和个性化程度，还可以实现更加智能化和自然化的交互和沟通，为用户提供更好的使用体验。然而，这种结合也面临着一些挑战，例如，如何保护用户的隐私和数据安全，如何处理用户的复杂需求和多样化的语言表达等。
ChatGPT一经发布就以前所未有的速度火爆出圈，网上剖析ChatGPT的文章也是铺天盖地的。笔者也借这股东风探讨一下，对推荐系统而言，ChatGPT会带来哪些影响。
正如上文ChatGPT所言，它和推荐系统是AI技术的两个不同应用分支。ChatGPT作为强大的自然语言处理模型，可以完成文本生成、自动摘要、问答等任务。同时也可以用于完成写博客、剧本、论文等更高阶的任务。例如，上述文章就是由ChatGPT生成的，我们需要做的就是简单地告诉ChatGPT“写一篇关于ChatGPT与推荐系统的文章”。从这个角度看，ChatGPT可以极大地提升推荐内容制作的效率，降低内容生产的门槛。尤其是，结合Diffusion Model等模型可以生成图文、视频等更丰富的多模态内容。
目前工业界广泛使用的推荐模型都是基于用户的交互历史识别用户的偏好进行推荐的，而且这些交互行为数据大多是隐式反馈数据，缺乏用户的实时反馈和显式指导。近年来，对话式推荐系统一直在尝试优化和解决这些问题。对话式推荐系统通过与用户进行询问和对话，从用户的反馈中识别用户的偏好，从而进行更精准的推荐。这里就可以借助ChatGPT，与用户进行简单自然的对话，分析用户对话中的语义和情感，获取用户当下更准确的需求和偏好。
ChatGPT的出现为推荐系统带来了更多的可能性和更大的想象空间。也许在不久的未来，人人都可以拥有自己的贾维斯（钢铁侠的人工智能助手）。它足够了解你，你也足够信任它。你会借由它来帮你完成日常大部分的选择和决策。人是社会生产的第一要素，AI智能是这一生产要素的孪生。AI智能化还有很长的路要走，可以确信的是，这一定是一条“长坡厚雪”之路。
第1章 初识推荐系统
1.1 推荐系统大时代
1.1.1 推荐系统的定义
1.1.2 推荐系统的价值
1.1.3 推荐系统的天时地利
1.1.4 推荐系统架构概览
1.2 推荐系统的核心模块
1.2.1 内容理解：理解和刻画推荐内容
1.2.2 用户画像：理解和刻画用户
1.2.3 召回：为用户初筛内容
1.2.4 排序：为用户精选内容
1.2.5 重排：从业务角度进行内容调整
1.2.6 推荐系统质量评估体系
总结
第2章 多模态时代的内容理解
2.1 内容标签体系建设
2.1.1 标签体系的作用
2.1.2 标签体系设计和建设
2.1.3 标签提取或生成
2.2 文本内容理解
2.2.1 文本分类
2.2.2 文本标签提取
2.2.3 文本聚类
2.2.4 文本Embedding
2.2.5 知识图谱
2.3 多模态内容理解
2.3.1 图像分类
2.3.2 视频分类
2.3.3 视频多模态内容Embedding
2.4 内容理解在推荐系统中的应用
总结
第3章 比你更了解自己的用户画像
3.1 初识用户画像
3.1.1 什么是用户画像
3.1.2 用户画像的作用
3.1.3 用户画像系统架构
3.2 用户画像标签体系
3.2.1 用户基础属性标签
3.2.2 用户社交属性标签
3.2.3 用户行为属性标签
3.2.4 用户兴趣标签
3.2.5 用户分层标签
3.2.6 其他常用维度标签
3.3 用户画像标签开发
3.3.1 标签的基础数据
3.3.2 标签计算整体流程
3.3.3 规则类标签
3.3.4 统计类标签
3.3.5 模型类标签
3.4 用户画像实践案例
总结
第4章 包罗万象的召回环节
4.1 召回的基本逻辑和方法论
4.1.1 召回的重要性
4.1.2 召回与排序的区别
4.1.3 主要的召回策略与算法
4.2 传统召回策略
4.2.1 基于内容的召回
4.2.2 经典协同过滤召回
4.2.3 探索类召回
4.3 向量化模型召回
4.3.1 向量化模型召回原理
4.3.2 从KNN到ANN
4.3.3 经典向量化召回模型
4.4 基于用户行为序列的召回
4.4.1 SASRec——经典行为序列召回模型
4.4.2 BERT4Rec与BST——NLP技术与用户行为序列结合
4.4.3 MIND及其衍生——多兴趣召回模型
4.4.4 超长序列召回——建模用户全期兴趣
4.5 图Embedding在召回中的应用
4.5.1 图Embedding技术
4.5.2 DeepWalk——经典图Embedding方法
4.5.3 Node2Vec——DeepWalk更进一步
4.5.4 PinSAGE——GCN在推荐系统领域的工业化应用
4.5.5 MetaPath2Vec——异构图Embedding方法
4.6 前瞻性召回策略与模型
4.6.1 TDM——模型与索引结合的艺术
4.6.2 对比学习——样本的魔法
4.7 召回质量评估方法
4.7.1 召回评估方法概述
4.7.2 召回率、精确率、F1值——基准评估指标
4.7.3 HR、ARHR——TopN推荐评价指标
4.7.4 CG、DCG、NDCG——信息增益维度的评估指标
4.7.5 长尾覆盖评估
总结
第5章 投你所好的排序环节
5.1 排序环节的意义和优化方向
5.1.1 排序环节的意义
5.1.2 排序环节的优化方向
5.2 从Embedding看排序模型的演进
5.2.1 什么是Embedding
5.2.2 Embedding的产生过程
5.2.3 特征组合在深度排序模型中的应用
5.2.4 用户历史行为建模在深度排序模型中的应用
5.2.5 超大规模Embedding在实际中的应用
5.3 推荐系统粗排阶段及其发展历程
5.3.1 粗排定位与技术路线选择
5.3.2 粗排模型架构的演变
5.3.3 使用知识蒸馏增强粗排与精排的一致性
5.3.4 缓解样本选择偏差
5.3.5 粗排效果的评价
5.4 多目标排序建模
5.4.1 多目标排序建模的意义和挑战
5.4.2 多目标排序建模方法概览
5.4.3 多目标融合寻参
5.5 推荐系统排序阶段的评估
5.5.1 排序评估的两个阶段
5.5.2 常用的效果评估指标
5.5.3 常用的系统评估指标
5.5.4 离线和线上效果的一致性问题
总结
第6章 权衡再三重排序
6.1 重排序的必要性和作用
6.2 重排模型
6.2.1 重排模型建模的出发点
6.2.2 序列重排模型
6.2.3 基于强化学习的重排模型
6.3 重排多样性策略
6.3.1 重排多样性的出发点
6.3.2 多样性评估指标
6.3.3 规则多样性打散
6.3.4 多样性模型策略
6.4 重排中的业务规则
总结
第7章 如若初见冷启动
7.1 推荐冷启动的定义与挑战
7.2 冷启动一般解决思路
7.3 新用户推荐冷启动
7.3.1 新用户召回策略
7.3.2 新用户排序模型
7.3.3 新用户重排策略
7.4 新物品分发冷启动
7.4.1 新物品冷启动召回策略
7.4.2 新物品冷启动排序策略
7.4.3 新物品冷启动流量分配机制
总结
第8章 推荐系统中的魔术手
8.1 特征工程
8.1.1 特征的理解和分类
8.1.2 特征挖掘维度
8.1.3 工程视角下的特征工程开发
8.1.4 特征工程的流程和方法
8.2 样本加工艺术
8.2.1 如何提取有效样本
8.2.2 负样本优化
8.2.3 样本迁移
8.2.4 其他样本优化技巧
8.3 推荐系统实效性
8.3.1 推荐数据实效性
8.3.2 推荐模型实效性
8.3.3 在线学习整体机制
8.4 推荐中的偏差与消偏策略
8.4.1 推荐偏差的缘由
8.4.2 推荐系统常见偏差
8.4.3 常用的消偏技术和策略
总结
第9章 系统进化的利器——AB实验平台
9.1 什么是AB实验
9.2 AB实验平台框架
9.3 AB实验分流机制&实验类型
9.4 AB实验效果评估
9.4.1 推荐系统常见的AB指标
9.4.2 AB实验的假设检验
9.4.3 AB实验的流量大小
9.5 AB实验并不是万能的
总结
第10章 推荐系统中的前沿技术
10.1 强化学习
10.2 因果推断
10.3 端上智能
10.4 动态算力分配
10.5 增益模型
总结
后记
