更新时间：2023-12-13 16:16:42
封面
版权信息
作者介绍
《现代推荐算法》学习导图
内容简介
推荐序一
推荐序二
推荐序三
推荐序四
推荐序五
推荐语
前言
总览篇
第1章 推荐系统概述
1.1 推荐系统是什么
1.2 推荐系统发展的天时、地利、人和
第2章 现代推荐链路
2.1 召回、粗排、精排——各有所长
2.2 召回、粗排、精排——级联漏斗
2.3 打压、保送、重排——拍不完的脑袋
模型篇
第3章 精排之锋
3.1 简单“复读机”——逻辑回归模型
3.2 工业逻辑回归模型的稀疏性要求
3.3 FM的一小步，泛化的一大步
3.4 多彩的FNN/PNN/ONN/NFM世界
3.5 高阶交叉
3.6 工具人GBDT
3.7 嵌入表示亦福亦祸，树模型的新机遇
3.8 DNN与两大门派，“一念神魔”与功不唐捐
3.9 再论特征与嵌入生成
3.10 机器学习唯一指定王牌技术——注意力机制
3.11 注意力机制的几种写法
3.12 Transformer的升维打击
第4章 粗排之柔
4.1 粗排存在与否的必要性
4.2 粗排复杂化的方法
4.3 Pair-wise与List-wise
第5章 召回之厚
5.1 u2i之双塔进击史
5.2 i2i及u2u2i方案
5.3 近似搜索概览
5.4 树模型与类树模型的冲击
第6章 模型迭代的术与道
6.1 什么是“老汤模型”
6.2 模型迭代的“术”
6.3 模型迭代的“道”
前沿篇
第7章 用户兴趣建模
7.1 从百到万的用户长期兴趣建模
7.2 用户多峰兴趣建模
第8章 多任务学习
8.1 多任务学习的实践意义
8.2 多任务学习的基本框架
8.3 平行关系建模——MMoE类方法
8.4 非平行关系建模，任务间的因果
第9章 非梯度场景
9.1 线上与线下的鸿沟
9.2 弱个性化CEM，强个性化强化学习
9.3 探微参数与性能的关系，把点连成面
第10章 探索与利用
10.1 为什么要探索与利用
10.2 探索的本质是巧妙“贪心”
第11章 后精排环节
11.1 定义多样性问题，简单的形式与复杂的标准
11.2 DPP算法与多样性
11.3 考虑上下文的重排序
第12章 推荐中的偏差与消除
12.1 各种各样的偏差
12.2 流行度偏差的消除
12.3 位置偏差的消除
第13章 自动机器学习技术
13.1 网络结构搜索与网络微操的探索
13.2 特征的搜索
13.3 模型压缩
第14章 图计算
14.1 数据结构的终极
14.2 GNN的极简发展史
14.3 物料非原子化，建模转向图
难点篇
第15章 延迟转化
15.1 转化与广告机制
15.2 转化的分解
15.3 其他角度
第16章 物料冷启动
16.1 “多模态之石，可以攻玉”
16.2 预排序向左，个性化向右
16.3 流量分配，“普度众生”还是“造神”
第17章 用户冷启动
17.1 元学习，对模型拔高的要求
17.2 初始化的基底分解与生成
17.3 POSO，首个从结构角度改善用户冷启动的模型
17.4 精品池：抓住人性需求
第18章 因果推断
18.1 当分布不够用时
18.2 寻找“工具人”，将因果推断直接应用于推荐
第19章 长尾优化
决策篇
第20章 流量
20.1 重新认识流量
