实现和设计向用户提供建议的系统是当前最流行且最重要的机器学习应用之一。无论是希望客户在你的在线商店中找到最具吸引力的商品、获取丰富且有趣的视频，还是获取他们需要了解的新闻，推荐系统（RecSys）都能提供解决方案。 在这本实用指南中，本书作者阐述了核心概念，并提供示例，帮助你构建适用于任何行业或规模的推荐系统。你将学习构建成功推荐系统所需的数学知识、基本理念，以及具体的实现细节。本书涵盖推荐系统平台的核心组件、MLOps相关工具，以及PySpark、SparkSQL、FastAPI和Weights & Biases中的代码示例和实用建议。 你将学习： 构建推荐系统所需的数据。 如何将你的数据和业务问题框定为推荐系统问题。 适用于你的系统的模型评估方法。 选择、实现、训练、测试和部署模型的方法。 需要跟踪的关键指标，以确保系统按预期运行。 随着对用户、产品和业务的深入了解，如何不断改进你的系统。

前言
第一部分 热身
第1章 概述
1.1 推荐系统的核心组件
1.1.1 收集器
1.1.2 排序器
1.1.3 服务器
1.2 最简单的推荐器
1.2.1 简单推荐器
1.2.2 最受欢迎的条目推荐器
1.3 JAX的简要介绍
1.3.1 基础类型，初始化和不可变性
1.3.2 索引和切片
1.3.3 广播
1.3.4 随机数
1.3.5 即时编译
1.4 总结
第2章 用户-物品项评分与问题构建
2.1 用户-物品项矩阵
2.2 用户-用户协同过滤 vs 物品项-物品项协同过滤
2.3 Netflix挑战
2.4 隐式评分
2.5 数据收集与用户日志记录
2.5.1 日志记录的内容
2.5.2 数据收集与事件记录
2.5.3 漏斗分析
2.6 业务洞察与用户偏好
2.7 总结
第3章 数学基础
3.1 齐夫定律与马太效应在推荐系统中的应用
3.2 稀疏性
3.3 用户相似性在协同过滤中的应用
3.3.1 皮尔逊相关系数
3.3.2 基于相似性的评分
3.4 探索-利用作为推荐系统
3.4.1 ε-贪婪算法
3.4.2 ε应该设为多少
3.5 自然语言处理（NLP）与推荐系统的关系
3.5.1 向量搜索
3.5.2 最近邻搜索
3.6 总结
第4章 推荐系统设计
4.1 离线 vs 在线
4.2 收集器
4.2.1 离线收集器
4.2.2 在线收集器
4.3 排序器
4.3.1 离线排序器
4.3.2 在线排序器
4.4 服务器
4.4.1 离线服务器
4.4.2 在线服务器
4.5 总结
第5章 综合实践：基于内容的推荐系统
5.1 版本控制软件
5.2 Python构建系统
5.3 随机物品推荐器
5.4 获取STL数据集图像
5.5 卷积神经网络定义
5.6 在JAX、Flax和Optax中训练模型
5.7 输入管道
5.8 总结
第二部分 检索
第6章 数据处理
6.1 给系统注入数据
6.1.1 PySpark
6.1.2 例子：使用PySpark构建用户相似度
6.1.3 DataLoaders
6.1.4 数据库快照
6.2 用于学习和推理的数据结构
6.2.1 向量搜索
6.2.2 近似最近邻（ANN）
6.2.3 布隆过滤器
6.2.4 有趣的分支：将布隆过滤器作为推荐系统
6.2.5 特征库
6.3 总结
第7章 服务模型和架构
7.1 推荐系统的架构设计
7.1.1 物品到用户的推荐
……
第三部分 排序
第四部分 服务
第五部分 推荐系统的未来