推荐系统

本书是一本关于推荐系统产品如何落地的综合图书，内容覆盖产品、算法、工程、团队和个人成长。书中不仅梳理了从事推荐系统工作需要具备的思维模式和需要了解的问题类型，还从产品和商业角度分析了当前热门爆的信息流内在逻辑。本书用很好通俗易懂的方式介绍了推荐系统的经典算法原理，并有相应的配套实践代码，以帮助初入门的算法工程师快速上手。除了推荐算法，书中还包含一些不属于推荐算法但是很常见的实用算法。除算法原理之外，还有典型的工程架构描述，以及架构内部的具体模块细节描述。这些都是在设计推荐系统的过程中不可或缺而又不容易在公开场合获得的内容。此外，本书还涉及一部分推荐系统安全相关的知识，以及团队搭建经验和个人成长心得。本书适合以推荐系统为代表的效果类产品从业者阅读，包括决策者，以及产品、算法、架构、安全、运营人员。这是一本可以架起不同工种之间友好沟通桥梁的书。

目录

1 概念与思维 1
1.1 该要推荐系统吗 2
1.1.1 什么是推荐系统 2
1.1.2 是否需要推荐系统 4
1.1.3 小结 5
1.2 问题模式有哪些 7
1.2.1 预测问题模式 7
1.2.2 几个常见顽疾 10
1.2.3 小结 12
1.3 要具有什么样的思维模式 13
1.3.1 关键元素 13
1.3.2 思维模式 15
1.3.3 小结 19
2 产品漫谈 21
2.1 推荐系统的价值和成本 22
2.1.1 价值 22
2.1.2 成本 25
2.1.3 小结 27
2.2 信息流简史 28
2.2.1 前世今生 28
2.2.2 配套设施 29
2.2.3 小结 33
3 内容推荐 35
3.1 用户画像简介 36
3.1.1 什么是用户画像 36
3.1.2 关键因素 38
3.1.3 构建方法 40
3.1.4 小结 41
3.2 标签挖掘技术 42
3.2.1 挖掘标签的物料 42
3.2.2 标签库该有的样子 43
3.2.3 标签挖掘方法 45
3.2.4 小结 76
3.3 基于内容的推荐 78
3.3.1 为什么要做好内容推荐 78
3.3.2 基于内容的推荐系统 79
3.3.3 小结 83
4 近邻推荐 85
4.1 基于用户的协同过滤算法 86
4.1.1 协同过滤算法 86
4.1.2 基于用户的协同过滤算法原理 87
4.1.3 应用场景 98
4.1.4 小结 99
4.2 基于物品的协同过滤算法 100
4.2.1 常见的应用场景 100
4.2.2 算法原理 101
4.2.3 小结 110
4.3 相似度算法一览 111
4.3.1 相似度的本质 111
4.3.2 相似度计算方法 112
4.3.3 向量化计算 115
4.3.4 小结 117
5 矩阵分解 119
5.1 SVD算法 120
5.1.1 历史背景 120
5.1.2 首谈矩阵分解 121
5.1.3 小结 129
5.2 ALS算法 130
5.2.1 再谈矩阵分解 130
5.2.2 ALS算法原理 131
5.2.3 隐式反馈 132
5.2.4 推荐计算 136
5.2.5 小结 137
5.3 BPR算法 138
5.3.1 三谈矩阵分解 138
5.3.2 贝叶斯个性化排序 139
5.3.3 小结 146
6 模型融合 147
6.1 线性模型和树模型 148
6.1.1 为什么要融合 148
6.1.2 “辑度组合”原理 150
6.1.3 小结 163
6.2 因子分解机 164
6.2.1 从特征组合说起 164
6.2.2 因子分解机详解 165
6.2.3 小结 173
6.3 Wide＆Deep模型 174
6.3.1 要“深”还是要“宽” 174
6.3.2 Wide ＆ Deep模型详解 175
6.3.3 几点技巧 180
6.3.4 模型实例 182
6.3.5 小结 186
7 探索和利用 189
7.1 MAB问题与Bandit算法 190
7.1.1 推荐即选择 190
7.1.2 MAB问题 191
7.1.3 Bandit算法 192
7.1.4 冷启动 201
7.1.5 小结 201
7.2 加入特征的UCB算法 202
7.2.1 UCB算法回顾 202
7.2.2 LinUCB算法 203
7.2.3 构建特征 209
7.2.4 小结 211
7.3 Bandit算法与协同过滤算法 212
7.3.1 信息茧房 212
7.3.2 COFIBA算法 213
7.3.3 再谈EE问题 222
7.3.4 小结 223
8 深度学习 225
8.1 深度隐因子 226
8.1.1 深度学习与推荐系统 226
8.1.2 各种“2Vec” 229
8.1.3 深度Embedding 232
8.1.4 深度学习与视频推荐 236
8.1.5 小结 238
8.2 深度CTR预估 239
8.2.1 深度学习与CTR预估 239
8.2.2 CTR预估 240
8.2.3 小结 248
9 其他算法 249
9.1 排行榜 250
9.1.1 为什么要有排行榜 250
9.1.2 排行榜算法 251
9.1.3 小结 257
9.2 采样算法 259
9.2.1 有限数据集 260
9.2.2 无限数据集 262
9.2.3 小结 263
9.3 重复检测 264
9.3.1 生产端的重复检测 264
9.3.2 消费端的重复检测 266
9.3.3 小结 268
10 架构总览 269
10.1 信息流推荐架构 270
10.1.1 信息流的种类 270
10.1.2 抓取聚合信息流 271
10.1.3 社交动态信息流 274
10.1.4 小结 281
10.2 个性化首页架构 282
10.2.1 架构的特质 282
10.2.2 Netflix的个性化首页架构 282
10.2.3 简化推荐系统架构 287
10.2.4 小结 289
10.3 搜索引擎、推荐系统及广告系统 290
10.3.1 异同对比 290
10.3.2 三者的架构 292
10.3.3 三者的协同 294
10.3.4 小结 294
11 关键模块 297
11.1 日志收集 298
11.1.1 日志的用途 298
11.1.2 详细方案 299
11.1.3 小结 305
11.2 实时推荐 306
11.2.1 实时的层次 306
11.2.2 实时推荐要点 307
11.2.3 小结 318
11.3 AB实验 319
11.3.1 AB实验是什么 319
11.3.2 AB实验框架 321
11.3.3 实验数据分析 327
11.3.4 小结 331
11.4 推荐服务 332
11.4.1 服务 332
11.4.2 存储 332
11.4.3 API 336
11.4.4 小结 340
11.5 开源工具 341
11.5.1 不重复造轮子 341
11.5.2 内容分析 342
11.5.3 协同过滤和矩阵分解 342
11.5.4 模型融合 344
11.5.5 Web服务框架 344
11.5.6 其他算法 345
11.5.7 完整推荐系统 345
11.5.8 小结 345
12 效果保证 347
12.1 测试及常用指标 348
12.1.1 测试方法 348
12.1.2 检测指标 351
12.1.3 小结 356
12.2 推荐系统的安全 357
12.2.1 攻击手段 357
12.2.2 防护方式 360
12.2.3 小结 362
13 团队与个人 363
13.1 团队组建 364
13.2 个人成长 367
13.3 小结 370