深耕一线互联网平台多年的两位作者精心总结：<br>
全链路、全方位，深入剖析推荐算法细节<br>
讲理论、重实践，聚焦关键业务问题解法

本书从信息流个性化推荐算法从业者的角度，阐述在资讯内容类App中，如何搭建健壮、完善的个性化推荐算法体系，如何融合产品运营的专家模型和端到端的深度学习，如何平衡短期的商业化目标和长期的用户体验，以及我们在多个行业头部平台实践的过程中遇到的典型业务问题和解决方案，对比理论推导为主的机器学习书籍，本身更偏向基于行业问题的深度思考及落地实践。

目    录<br /><br />推荐序<br />前言<br /><br />第1章  信息流产品与推荐算法1  <br />1.1  什么是信息流产品1<br />1.2  信息流产品对用户体验和商业价值的重塑3<br />1.2.1  信息流产品下的用户体验3<br />1.2.2  商业价值的重塑6<br />1.2.3  用户体验及商业价值总结8<br />1.3  信息流产品推荐系统的构成8<br />1.3.1  推荐算法基线9<br />1.3.2  推荐算法的生态建设14<br />1.4  本章小结16<br />参考文献16<br /><br />第2章  业务数据探索：推荐算法闭环的起点与终点18  <br />2.1  产品运营分析19<br />2.1.1  系统性分析19<br />2.1.2  周期性分析23<br />2.2  用户画像分析24<br />2.2.1  用户画像构建的基本方法25<br />2.2.2  用户画像之价值分层与生命周期管理26<br />2.2.3  用户画像的质量保障30<br />2.3  用户行为路径分析32<br />2.4  本章小结34<br />参考文献35<br /><br />第3章  可插拔式的召回算法36  <br />3.1  召回侧的业务目标和技术方向36<br />3.2  协同过滤召回38<br />3.2.1  User-based CF38<br />3.2.2  Item-based CF40<br />3.2.3  Item-based CF与User-based CF的对比与改进41<br />3.2.4  Model-based CF43<br />3.3  用户和物品的向量化表示学习48<br />3.3.1  从Word2vec到Item2vec48<br />3.3.2  YouTube DNN54<br />3.3.3  DSSM57<br />3.4  基于图模型的召回建模63<br />3.4.1  SimRank63<br />3.4.2  DeepWalk66<br />3.4.3  LINE68<br />3.4.4  Node2vec70<br />3.4.5  EGES73<br />3.5  用户行为序列召回建模75<br />3.5.1  序列建模的通用算法模块75<br />3.5.2  用户多兴趣建模84<br />3.5.3  序列建模总结91<br />3.6  本章小结93<br />参考文献94<br /><br />第4章  粗排算法97  <br />4.1  粗排的定位和重要性思考97<br />4.2  前深度学习时代的粗排98<br />4.2.1  非个性化离线评估模型98<br />4.2.2  浅层个性化模型104<br />4.3  深度粗排模型的重要方法106<br />4.3.1  基于向量内积的双塔模型106<br />4.3.2  基于精排模型的知识蒸馏111<br />4.3.3  COLD粗排架构117<br />4.4  粗排建模的重要问题120<br />4.4.1  样本选择策略120<br />4.4.2  粗精排一致性校验123<br />4.5  本章小结125<br />参考文献125<br /><br />第5章  精排算法127  <br />5.1  精排算法的核心目标和概要127<br />5.2  前深度学习时代的精排算法128<br />5.2.1  LR128<br />5.2.2  FM131<br />5.2.3  GBDT136<br />5.3  深度精排算法137<br />5.3.1  Wide & Deep138<br />5.3.2  DeepFM139<br />5.3.3  DIN140<br />5.3.4  DIEN144<br />5.3.5  DSIN146<br />5.3.6  SIM149<br />5.4  在线学习152<br />5.4.1  在线学习的基本概念152<br />5.4.2  在线学习算法框架：FTRL153<br />5.5  多任务学习156<br />5.5.1  MMoE157<br />5.5.2  ESMM158<br />5.5.3  PLE159<br />5.5.4  MFH162<br />5.5.5  MVKE164<br />5.6  本章小结170<br />参考文献170<br /><br />第6章  多目标融合算法173<br />6.1  多目标融合的意义173<br />6.2  启发式多目标融合173<br />6.2.1  Grid Search174<br />6.2.2  Random Search175<br />6.2.3  搜参实践175<br />6.3  贝叶斯优化176<br />6.3.1  概率代理模型177<br />6.3.2  采集函数178<br />6.3.3  贝叶斯搜参实践179<br />6.4  进化策略179<br />6.4.1  进化算法的相关概念179<br />6.4.2  基于OpenAI ES的进化策略实践185<br />6.5  强化学习186<br />6.5.1  强化学习的核心概念187<br />6.5.2  强化学习的多目标融合实践189<br />6.6  本章小结194<br />参考文献194<br /><br />第7章  重排算法196  <br />7.1  重排算法概要及核心目标196<br />7.2  多样性算法之启发式方法196<br />7.2.1  MMR197<br />7.2.2  MLR197<br />7.2.3  DPP198<br />7.3  多样性算法之list-wise建模200<br />7.3.1  DLCM200<br />7.3.2  PRM205<br />7.3.3  Seq2Slate208<br />7.3.4  GRN212<br />7.3.5  PRS217<br />7.4  端云一体协同推荐221<br />7.4.1  EdgeRec221<br />7.4.2  DCCL227<br />7.5  本章小结232<br />参考文献232<br /><br />第8章  推荐建模中的数据预处理和模型后处理234  <br />8.1  评分矩阵构建234<br />8.2  特征工程239<br />8.2.1  特征的提取与加工239<br />8.2.2  特征重要性分析244<br />8.3  模型校准248<br />8.4  本章小结250<br />参考文献250<br /><br />第9章  信息流推荐中的经典业务问题应对252  <br />9.1  关于信息茧房252<br />9.2  关于保量策略255<br />9.3  内容与用户冷启动256<br />9.3.1  DropoutNet256<br />9.3.2  MWUF258<br />9.3.3  LinUCB261<br />9.3.4  Cold & Warm Net263<br />9.4  偏置与消偏266<br />9.4.1  偏置分析267<br />9.4.2  消偏：用户选择偏置269<br />9.4.3  消偏：曝光偏置269<br />9.4.4  消偏：群体一致性偏置270<br />9.4.5  消偏：位置偏置270<br />9.4.6  消偏：流行度偏置273<br />9.5  正向行为定义279<br />9.6  本章小结280<br />参考文献281<br /><br />第10章  信息流推荐算法的评估与改进283  <br />10.1  宏观视角下的推荐效果评估283<br />10.2  微观视角下的推荐效果评估287<br />10.2.1  推荐效果评估流程287<br />10.2.2  离线评估指标体系289<br />10.3  A/B测试的实验机制设计296<br />10.3.1  A/B测试的基本概念及必要性296<br />10.3.2  A/B测试的实验设计和效果分析298<br />10.3.3  A/B测试与Interleaving305<br />10.4  本章小结307<br />参考文献307<br /><br />第11章  总结与展望308  <br />11.1  推荐算法的重要挑战308<br />11.2  论推荐算法工程师的自我修养312<br />11.3  本章小结317<br />参考文献317<br /><br />后记318