信息流推荐算法

封面

版权信息

作者简介

插图

推荐序

推荐者简介

前言

第1章 信息流产品与推荐算法

1.1 什么是信息流产品

1.2 信息流产品对用户体验和商业价值的重塑

1.2.1 信息流产品下的用户体验

1.2.2 商业价值的重塑

1.2.3 用户体验及商业价值总结

1.3 信息流产品推荐系统的构成

1.3.1 推荐算法基线

1.3.2 推荐算法的生态建设

1.4 本章小结

参考文献

第2章 业务数据探索：推荐算法闭环的起点与终点

2.1 产品运营分析

2.1.1 系统性分析

2.1.2 周期性分析

2.2 用户画像分析

2.2.1 用户画像构建的基本方法

2.2.2 用户画像之价值分层与生命周期管理

2.2.3 用户画像的质量保障

2.3 用户行为路径分析

2.4 本章小结

参考文献

第3章 可插拔式的召回算法

3.1 召回侧的业务目标和技术方向

3.2 协同过滤召回

3.2.1 User-based CF

3.2.2 Item-based CF

3.2.3 Item-based CF与User-based CF的对比与改进

3.2.4 Model-based CF

3.3 用户和物品的向量化表示学习

3.3.1 从Word2vec到Item2vec

3.3.2 YouTube DNN

3.3.3 DSSM

3.4 基于图模型的召回建模

3.4.1 SimRank

3.4.2 DeepWalk

3.4.3 LINE

3.4.4 Node2vec

3.4.5 EGES

3.5 用户行为序列召回建模

3.5.1 序列建模的通用算法模块

3.5.2 用户多兴趣建模

3.5.3 序列建模总结

3.6 本章小结

参考文献

第4章 粗排算法

4.1 粗排的定位和重要性思考

4.2 前深度学习时代的粗排

4.2.1 非个性化离线评估模型

4.2.2 浅层个性化模型

4.3 深度粗排模型的重要方法

4.3.1 基于向量内积的双塔模型

4.3.2 基于精排模型的知识蒸馏

4.3.3 COLD粗排架构

4.4 粗排建模的重要问题

4.4.1 样本选择策略

4.4.2 粗精排一致性校验

4.5 本章小结

参考文献

第5章 精排算法

5.1 精排算法的核心目标和概要

5.2 前深度学习时代的精排算法

5.2.1 LR

5.2.2 FM

5.2.3 GBDT

5.3 深度精排算法

5.3.1 Wide & Deep

5.3.2 DeepFM

5.3.3 DIN

5.3.4 DIEN

5.3.5 DSIN

5.3.6 SIM

5.4 在线学习

5.4.1 在线学习的基本概念

5.4.2 在线学习算法框架：FTRL

5.5 多任务学习

5.5.1 MMoE

5.5.2 ESMM

5.5.3 PLE

5.5.4 MFH

5.5.5 MVKE

5.6 本章小结

参考文献

第6章 多目标融合算法

6.1 多目标融合的意义

6.2 启发式多目标融合

6.2.1 Grid Search

6.2.2 Random Search

6.2.3 搜参实践

6.3 贝叶斯优化

6.3.1 概率代理模型

6.3.2 采集函数

6.3.3 贝叶斯搜参实践