更新时间：2023-12-12 19:10:50
封面
版权信息
作者简介
内容简介
推荐序
前言
第1章 初识推荐系统
1.1 推荐系统大时代
1.1.1 推荐系统的定义
1.1.2 推荐系统的价值
1.1.3 推荐系统的天时地利
1.1.4 推荐系统架构概览
1.2 推荐系统的核心模块
1.2.1 内容理解：理解和刻画推荐内容
1.2.2 用户画像：理解和刻画用户
1.2.3 召回：为用户初筛内容
1.2.4 排序：为用户精选内容
1.2.5 重排：从业务角度进行内容调整
1.2.6 推荐系统质量评估体系
总结
第2章 多模态时代的内容理解
2.1 内容标签体系建设
2.1.1 标签体系的作用
2.1.2 标签体系设计和建设
2.1.3 标签提取或生成
2.2 文本内容理解
2.2.1 文本分类
2.2.2 文本标签提取
2.2.3 文本聚类
2.2.4 文本Embedding
2.2.5 知识图谱
2.3 多模态内容理解
2.3.1 图像分类
2.3.2 视频分类
2.3.3 视频多模态内容Embedding
2.4 内容理解在推荐系统中的应用
第3章 比你更了解自己的用户画像
3.1 初识用户画像
3.1.1 什么是用户画像
3.1.2 用户画像的作用
3.1.3 用户画像系统架构
3.2 用户画像标签体系
3.2.1 用户基础属性标签
3.2.2 用户社交属性标签
3.2.3 用户行为属性标签
3.2.4 用户兴趣标签
3.2.5 用户分层标签
3.2.6 其他常用维度标签
3.3 用户画像标签开发
3.3.1 标签的基础数据
3.3.2 标签计算整体流程
3.3.3 规则类标签
3.3.4 统计类标签
3.3.5 模型类标签
3.4 用户画像实践案例
第4章 包罗万象的召回环节
4.1 召回的基本逻辑和方法论
4.1.1 召回的重要性
4.1.2 召回与排序的区别
4.1.3 主要的召回策略与算法
4.2 传统召回策略
4.2.1 基于内容的召回
4.2.2 经典协同过滤召回
4.2.3 探索类召回
4.3 向量化模型召回
4.3.1 向量化模型召回原理
4.3.2 从KNN到ANN
4.3.3 经典向量化召回模型
4.4 基于用户行为序列的召回
4.4.1 SASRec——经典行为序列召回模型
4.4.2 BERT4Rec与BST——NLP技术与用户行为序列结合
4.4.3 MIND及其衍生——多兴趣召回模型
4.4.4 超长序列召回——建模用户全期兴趣
4.5 图Embedding在召回中的应用
4.5.1 图Embedding技术
4.5.2 DeepWalk——经典图Embedding方法
4.5.3 Node2Vec——DeepWalk更进一步
4.5.4 PinSAGE——GCN在推荐系统领域的工业化应用
4.5.5 MetaPath2Vec——异构图Embedding方法
4.6 前瞻性召回策略与模型
4.6.1 TDM——模型与索引结合的艺术
4.6.2 对比学习——样本的魔法
4.7 召回质量评估方法
4.7.1 召回评估方法概述
4.7.2 召回率、精确率、F1值——基准评估指标
4.7.3 HR、ARHR——TopN推荐评价指标
4.7.4 CG、DCG、NDCG——信息增益维度的评估指标
4.7.5 长尾覆盖评估
第5章 投你所好的排序环节
5.1 排序环节的意义和优化方向
5.1.1 排序环节的意义
5.1.2 排序环节的优化方向
5.2 从Embedding看排序模型的演进
5.2.1 什么是Embedding
5.2.2 Embedding的产生过程
5.2.3 特征组合在深度排序模型中的应用
5.2.4 用户历史行为建模在深度排序模型中的应用
