AI讀心數：推薦系統演算法核心程式碼精通

當前網際網路高速發展，使用者規模和內容規模均迅猛提升。身處資訊嚴重超載的時代，如何讓使用者從巨量資訊中發現自己感興趣的內容，成了很多公司的核心問題。在此背景下，搜尋系統和推薦系統應運而生。前者主要解決使用者主動尋找內容的問題，後者則將合適的內容分發給合適的使用者，偏被動型消費。它們是連接使用者和內容的橋樑，重要性不言而喻。

自從2012 年AlexNet 在ImageNet 大規模視覺辨識比賽中一舉奪魁後，深度學習就深入各大業務領域，推薦系統也不例外。基於深度學習的推薦系統，大幅提升了內容分發的準確性和使用者體驗，已被應用在各大推薦場景中。推薦演算法工程師也由此步入了新的時代。
當前深度學習技術仍然在快速更新中，推薦演算法也在高速發展，因此，從業者必須持續學習新知識。同時，推薦系統鏈路很長，包括召回、粗排、精排和重排等諸多模組，如何掌握整體架構，並深入每個模組理解其細節，就成為一件困難且重要的事。
本書主要介紹推薦演算法技術，覆蓋召回、粗排、精排和重排等模組，目的是讓讀者熟悉推薦演算法的全部鏈路，加深系統化理解，並掌握關鍵技術細節。另外，本書介紹的很多技術也可應用在搜尋和廣告等領域。
本書既適合搜尋、推薦和廣告演算法領域的初學者，也適合有一定經驗的工程師進階學習。它能幫助你掌握推薦演算法的整體架構、每個核心模組的知識框架，以及一些工作必備的經典模型，同時，能幫助你深入理解它們的出發點和具體實現方案，在實際工作中融會貫通。
身處資訊爆炸時代的推薦演算法工程師是幸運的，但仍然需要不斷學習新知識，接受更多挑戰。希望本書分享的知識和經驗能夠助讀者們一臂之力！

本書主要內容
本書包括10章，第1章介紹為什麼需要推薦系統、推薦系統的分類及其主要技術架構。第2章介紹如何建構資料樣本和特徵工程，從而訓練模型，這是推薦演算法的基礎。第3章介紹深度學習之前的主流推薦演算法，包括協作過濾、矩陣分解、邏輯回歸和因數分解機等演算法。第4章講解特徵交叉，並介紹Wide&Deep和DeepFM等經典模型。第5章講解使用者行為序列建模，包括短序列建模和長序列建模方法講解DIN、DIEN和SIM等模型。
第6章講解Embedding表徵學習，並介紹Node2vec和GraphSAGE等模型。第7章講解多工學習，包括多工建模和多工融合，講解ESSM、MMOE和PLE等模型。第8章介紹召回演算法，包括非個性化召回和個性化召回，講解YouTubeDNN、ESAM和TDM等模型。第9章介紹粗排演算法，包括特徵蒸餾和輕量級特徵交叉等方法，重點講解PFD、COLD和FSCD等模型。第10章介紹重排演算法，包括打散和多樣性、上下文感知和端上重排等，講解PRM和EdgeRec等模型。

當前網際網路高速發展，使用者規模和內容規模均迅猛提升。身處資訊嚴重超載的時代，如何讓使用者從巨量資訊中發現自己感興趣的內容，成了很多公司的核心問題。在此背景下，搜尋系統和推薦系統應運而生。前者主要解決使用者主動尋找內容的問題，後者則將合適的內容分發給合適的使用者，偏被動型消費。它們是連接使用者和內容的橋樑，重要性不言而喻。

自從2012 年AlexNet 在ImageNet 大規模視覺辨識比賽中一舉奪魁後，深度學習就深入各大業務領域，推薦系統也不例外。基於深度學習的推薦系統，大幅提升了內容分發的準確性和使用者體驗，...

第 1 章 推薦系統概述
1.1 為什麼需要推薦系統
1.1.1 推薦系統與使用者體驗
1.1.2 推薦系統與內容生產
1.1.3 推薦系統與平臺發展
1.2 推薦系統分類
1.2.1 業務領域分類
1.2.2 內容媒體分類
1.2.3 互動形態分類
1.2.4 應用場景分類
1.3 推薦系統架構
1.4 本章小結

第 2 章 資料樣本和特徵工程
2.1 資料樣本
2.1.1 樣本不均衡問題
2.1.2 樣本不置信問題
2.1.3 離/線上樣本不一致問題
2.2 特徵工程
2.2.1 特徵類目系統
2.2.2 特徵處理範式
2.2.3 特徵重要性評估
2.3 本章小結
參考文獻

第 3 章 傳統推薦演算法
3.1 協作過濾
3.1.1 基於使用者的協作過濾
3.1.2 基於物品的協作過濾
3.1.3 協作過濾的優點和局限性
3.2 矩陣分解
3.2.1 矩陣分解實現方法
3.2.2 矩陣分解的優點和局限性
3.3 邏輯回歸
3.3.1 邏輯回歸求解過程
3.3.2 邏輯回歸的優點和局限性
3.4 因數分解機
3.4.1 因數分解機模型簡化
3.4.2 因數分解機的優點和局限性
3.5 組合模型
3.5.1 GBDT + LR 組合模型結構
3.5.2 GBDT 特徵轉換過程
3.5.3 組合模型的思考和總結
3.6 本章小結
參考文獻

第 4 章 特徵交叉
4.1 特徵交叉概述
4.1.1 特徵交叉的意義
4.1.2 特徵交叉基本範式
4.1.3 特徵交叉的困難
4.2 Deep Crossing：經典DNN框架模型
4.2.1 業務背景和特徵系統
4.2.2 模型結構
4.2.3 實現方法
4.3 FNN
4.3.1 為什麼Embedding收斂慢
4.3.2 模型結構
4.4 PNN
4.4.1 模型結構
4.4.2 特徵交叉實現方法
4.5 Wide&Deep：異質模型奠基者
4.5.1 「記憶」和「泛化」
4.5.2 模型結構
4.5.3 系統實現
4.5.4 程式解析
4.6 DeepFM：異質模型Wide側引入FM
4.6.1 模型結構
4.6.2 程式解析
4.7 DCN：異質模型Wide側引入高階交叉
4.8 NFM：異質模型Deep側引入顯式交叉
4.9 xDeepFM：異質模型引入子分支
4.10 本章小結
參考文獻

第 5 章 使用者行為序列建模
5.1 使用者行為序列建模概述
5.1.1 行為序列建模的意義
5.1.2 行為序列建模的基本範式
5.1.3 行為序列建模的主要困難
5.1.4 行為序列特徵工程
5.2 DIN：基於注意力機制建模使用者行為序列
5.2.1 背景
5.2.2 模型結構
5.2.3 模型訓練方法
5.2.4 程式解析
5.3 DIEN：GRU建模使用者行為序列
5.3.1 模型結構：興趣取出層
5.3.2 模型結構：興趣進化層
5.4 BST：Transformer建模使用者行為序列
5.4.1 模型結構
5.4.2 程式解析
5.5 DSIN：基於Session建模使用者行為序列
5.6 MIMN：基於神經圖靈機建模長週期行為序列
5.6.1 工程設計：UIC模組
5.6.2 MIMN模型結構
5.7 SIM：基於檢索建模長週期行為序列
5.8 ETA：基於SimHash實現檢索索引線上化
5.8.1 ETA模型結構
5.8.2 SimHash原理
5.9 本章小結
參考文獻

第 6 章 Embedding表徵學習
6.1 Embedding表徵學習概述
6.1.1 Embedding概述
6.1.2 Embedding表徵學習的意義
6.1.3 Embedding表徵學習的基本範式
6.1.4 Embedding表徵學習的主要困難
6.2 基於序列的Embedding建模方法
6.2.1 Word2vec任務定義：CBOW和Skip-gram
6.2.2 Word2vec模型結構
6.2.3 Word2vec訓練方法
6.2.4 Item2vec：推薦系統引入序列Embedding
6.2.5 序列建模總結和思考
6.3 基於同構圖遊走的Graph Embedding
6.3.1 DeepWalk：同構圖遊走演算法開山之作
6.3.2 LINE：一階相似度和二階相似度探索
6.3.3 Node2vec：同質性和結構等價性探索
6.3.4 同構圖遊走的優缺點
6.4 基於異質圖遊走的Graph Embedding
6.4.1 Metapath2vec
6.4.2 EGES
6.4.3 異質圖遊走的優缺點
6.5 圖神經網路
6.5.1 GCN：圖神經網路開山之作
6.5.2 GraphSAGE：圖神經網路工業應用的高潮
6.5.3 圖神經網路總結
6.6 向量檢索技術
6.6.1 向量距離計算方法
6.6.2 向量檢索演算法
6.6.3 向量檢索常用工具：Faiss
6.7 本章小結
參考文獻

第 7 章 多工學習
7.1 多工學習發展歷程
7.1.1 為什麼需要多工學習
7.1.2 多工學習的基本框架
7.1.3 多工學習的困難和挑戰
7.2 ESMM模型：解決SSB和DS問題的利器
7.2.1 樣本選擇偏差和資料稀疏問題
7.2.2 ESMM模型結構
7.2.3 ESMM核心程式
7.3 MMOE模型：多專家多門控網路
7.3.1 MMOE模型結構
7.3.2 MMOE核心程式
7.4 PLE模型：解決負遷移和蹺蹺板現象的利器
7.4.1 負遷移和蹺蹺板現象
7.4.2 單層CGC模型結構
7.4.3 PLE模型結構
7.4.4 PLE核心程式
7.5 多工融合
7.5.1 網格搜尋
7.5.2 排序模型
7.5.3 強化學習
7.6 本章小結
參考文獻

第 8 章 召回演算法
8.1 召回概述
8.1.1 推薦底池
8.1.2 多路召回
8.1.3 召回的困難
8.1.4 召回評價系統
8.2 個性化召回
8.2.1 基於內容的個性化召回
8.2.2 基於協作過濾的個性化召回
8.2.3 基於社交關係的個性化召回
8.3 向量召回
8.3.1 實現方法
8.3.2 YouTube DNN
8.3.3 Facebook EBR
8.3.4 百度MOBIUS
8.4 使用者行為序列類向量召回
8.4.1 多峰興趣建模的意義
8.4.2 MIND的模型結構
8.4.3 膠囊網路
8.5 樣本選擇偏差問題
8.5.1 召回樣本建構方法
8.5.2 ESAM和遷移學習
8.6 召回檢索最佳化和TDM
8.6.1 TDM線上檢索過程
8.6.2 TDM索引建構和模型訓練過程
8.6.3 JTM
8.6.4 OTM
8.7 本章小結
參考文獻

第 9 章 粗排演算法
9.1 粗排概述
9.1.1 粗排樣本和特徵
9.1.2 粗排發展歷程
9.1.3 粗排的困難
9.1.4 粗排評價系統
9.2 PFD模型：知識蒸餾學習交叉特徵
9.2.1 PFD模型結構
9.2.2 PFD模型原理
9.2.3 PFD與傳統蒸餾相結合
9.2.4 PFD在精排中的應用
9.3 COLD模型：顯式特徵交叉
9.3.1 雙塔內積模型
9.3.2 COLD模型
9.4 FSCD模型：效果和效率聯合最佳化
9.4.1 FSCD特徵選擇原理
9.4.2 FSCD訓練步驟
9.5 本章小結
參考文獻

第 10 章 重排演算法
10.1 重排概述
10.1.1 為什麼需要重排
10.1.2 重排的困難和挑戰
10.1.3 流量調控
10.2 打散和多樣性
10.2.1 打散
10.2.2 多樣性
10.2.3 多樣性發展歷程
10.3 上下文感知和PRM模型
10.3.1 什麼是上下文感知
10.3.2 PRM模型結構
10.3.3 其他上下文感知實現方案
10.4 即時性和延遲回饋問題
10.4.1 推薦系統即時性的意義
10.4.2 推薦系統即時性分類
10.4.3 延遲回饋問題
10.4.4 延遲回饋最佳化方案
10.5 端上重排和EdgeRec
10.5.1 為什麼需要端上模型
10.5.2 端上推理引擎
10.5.3 EdgeRec系統架構
10.5.4 EdgeRec模型結構
10.6 本章小結
參考文獻

第 1 章 推薦系統概述
1.1 為什麼需要推薦系統
1.1.1 推薦系統與使用者體驗
1.1.2 推薦系統與內容生產
1.1.3 推薦系統與平臺發展
1.2 推薦系統分類
1.2.1 業務領域分類
1.2.2 內容媒體分類
1.2.3 互動形態分類
1.2.4 應用場景分類
1.3 推薦系統架構
1.4 本章小結

第 2 章 資料樣本和特徵工程
2.1 資料樣本
2.1.1 樣本不均衡問題
2.1.2 樣本不置信問題
2.1.3 離/線上樣本不一致問題
2.2 特徵工程
2.2.1 特徵類目系統
2.2.2 特徵處理範式
2.2.3 特徵重要性評估
2.3 本章小結
參考文獻

第 3 章 傳統推薦演算法
3...