推荐系统技术原理与实践

封面

版权信息

插图

内容提要

前言

第1章 推荐系统简介

1.1 什么是推荐系统

1.2 推荐系统的作用和意义

1.3 推荐系统的技术架构

1.4 推荐系统的召回阶段

1.5 推荐系统的粗排阶段

1.6 推荐系统的精排阶段

1.7 推荐系统的重排阶段

1.8 小结

第2章 推荐系统算法基础

2.1 LR——应用极广的机器学习模型

2.2 MLP——极简单的深度学习模型

2.3 机器学习常用的优化算法

2.4 深度学习常用的优化算法

2.5 深度学习常用的激活函数

2.6 欠拟合和过拟合

2.7 深度学习中模型参数的初始化

2.8 小结

第3章 召回技术演进

3.1 召回层的作用和意义

3.2 召回模型的演进

3.3 传统召回算法

3.4 Embedding模型化召回的基本框架

3.5 基于内容语义的i2i召回

3.6 基于Graph Embedding的i2i召回

3.7 基于深度学习的u2i召回

3.8 小结

第4章 粗排技术演进

4.1 粗排的发展

4.2 粗排的前深度学习时代

4.3 粗排的深度学习时代

4.4 粗排的最新进展

4.5 粗排的未来展望

4.6 小结

第5章 精排技术演进

5.1 精排模型的演化关系

5.2 传统机器学习推荐模型

5.3 精排的深度学习时代

5.4 小结

第6章 重排技术演进

6.1 重排的作用

6.2 基于规则的多样性重排

6.3 基于行列式点过程的重排

6.4 深度学习在重排中的应用

6.5 强化学习在重排中的应用

6.6 小结

第7章 多目标排序在推荐系统中的应用

7.1 推荐系统的优化目标

7.2 多目标排序模型的演化关系

7.3 通过样本权重进行多目标优化

7.4 多目标排序模型

7.5 多目标融合优化

7.6 多目标模型训练方式

7.7 小结

第8章 推荐系统的前沿实践

8.1 推荐系统的应用场景

8.2 推荐系统的公平性问题

8.3 多场景融合实践

8.4 知识蒸馏在推荐系统中的应用

8.5 推荐系统的冷启动问题

8.6 深度学习模型的特征选择

8.7 推荐系统的其他问题