第1章 推荐系统——互联网的增长引擎
1.1 为什么推荐系统是互联网的增长引擎
1.2 推荐系统的架构
1.3 算法、工程与大模型的协同创新
1.4 本书的整体结构
参考文献
第2章 推荐之心——深度学习推荐模型的进化之路
2.1 深度学习推荐模型的演化关系
2.2 协同过滤——经典的推荐算法
2.3 从LR到FFM——融合多种特征的推荐模型
2.4 DeepCrossing模型——深度学习推荐模型的开端
2.5 NeuralCF模型——双塔模型的经典应用
2.6 Wide&Deep模型——记忆能力和泛化能力的综合
2.7 加强特征交叉能力的深度学习推荐模型
2.8 注意力机制在推荐模型中的应用
2.9 考虑用户兴趣进化的序列模型
2.10 强化学习与推荐系统的结合
2.11 总结——推荐系统的深度学习时代
参考文献
第3章 浪潮之巅——大模型在推荐系统中的创新
3.1 引爆大模型时代的ChatGPT
3.2 基于Prompt的推荐——以ChatGPT的方式改造推荐系统
3.3 大模型特征工程——让推荐模型学会“世界知识”
3.4 华为ClickPrompt——大模型与深度学习推荐模型的融合方案
3.5 MetaGR——用大模型的思路改进推荐模型
3.6 总结——方兴未艾的革命与理性的深度思考
参考文献
第4章 核心技术——Embedding在推荐系统中的应用
4.1 Word2vec——经典的Embedding方法
4.2 GraphEmbedding——引入更多结构信息的图嵌入技术
4.3 GNN——直接处理图结构数据的神经网络
4.4 Embedding与深度学习推荐系统的结合
4.5 近似最近邻搜索——让Embedding插上翅膀的快速搜索方法
4.6 总结——深度学习推荐系统的核心操作
参考文献
第5章 推荐架构——深度学习推荐系统的级联架构
5.1 以快为主的召回层
5.2 承上启下的粗排层
5.3 算力和模型复杂度的较量
5.4 冲破信息茧房的重排层
5.5 总结——天下大势，合久必分，分久必合
参考文献
第6章 多个角度——推荐系统中的其他重要问题
6.1 如何合理地设定推荐系统中的优化目标
6.2 推荐系统的冷启动问题
6.3 消除推荐系统的“偏见”与消偏方法
6.4 联邦学习——解决隐私合规问题的利器
6.5 推荐系统中比模型结构更重要的是什么
参考文献
第7章 数据为王——推荐系统的特征工程与数据流
7.1 推荐系统的特征工程
7.2 多模态特征的处理与融合
7.3 推荐系统的数据流
7.4 推荐系统的实时性
7.5 边缘计算——提升实时性的终极武器
7.6 总结——推荐系统的血液循环系统
参考文献
第8章 模型工程——深度学习推荐模型的训练和线上服务
8.1 TensorFlow与PyTorch——推荐模型离线训练平台
8.2 分布式训练与ParameterServer的原理
8.3 深度学习推荐模型的上线部署
8.4 模型架构与数据流的深度整合——模型流式训练
8.5 理想照进现实——工程与理论之间的权衡
参考文献
第9章 效果评估——推荐系统的评估体系
9.1 离线评估方法与评估指标
9.2 更接近线上环境的离线评估方法——Replay
9.3 离线评估的终极方法——推荐系统模拟器
9.4 A/B测试与线上评估指标
9.5 快速线上评估方法——Interleaving
9.6 推荐系统的评估体系
参考文献
第10章 无限可能——拥抱多模态大模型和AIGC的未来
10.1 StableDiffusion——多模态大模型的基本原理
10.2 世界的模拟器——Sora的基本原理
10.3 AI辅助内容生成
10.4 AI个性化内容生成
参考文献
第11章 前沿实践——深度学习推荐系统的业界经典案例
11.1 YouTube深度学习视频推荐系统
11.2 Airbnb基于Embedding的实时搜索推荐系统
11.3 阿里巴巴深度学习推荐系统的进化
11.4 “麻雀虽小，五脏俱全”的开源推荐系统SparrowRecSys
11.5 Meta生成式推荐模型GR的工程实现
参考文献
第12章 宏观体系——构建属于你的推荐系统知识框架
12.1 推荐系统的整体知识架构图
12.2 推荐模型发展的时间线
12.3 如何成为一名优秀的推荐工程师
12.4 大模型时代的挑战与机遇
展开
