本书系统介绍了推荐算法的知识框架和技术细节，包括召回、粗排、精排和重排等模块。第1章从用户体验、内容生产和平台发展角度介绍为什么需要推荐系统，并阐述推荐系统的分类及整体技术架构。第2章介绍推荐算法模型的基础——数据样本和特征工程。第3章介绍传统推荐算法。第4～7章介绍推荐系统中最复杂的部分——精排模块，包括特征交叉、用户行为序列建模、Embedding表征学习和多任务学习。第8章介绍召回模块，并详细讲解非个性化召回和个性化召回算法。第9章介绍粗排模块，重点讲解特征蒸馏和轻量级特征交叉等方法。第10章介绍重排模块，包括打散和多样性、上下文感知和端上重排等技术细节。
本书适用于推荐算法初学者、有一定工作经验的推荐算法工程师，以及搜索、广告和营销等领域的从业者，也可作为高等院校计算机等相关专业师生的参考资料。

谢杨易，本科毕业于华中科技大学，硕士毕业于中国科学院大学。主要研究方向为推荐算法、个性化搜索和自然语言处理，历任阿里巴巴算法专家、腾讯应用算法研究员等职位，在搜索和推荐算法领域积累了丰富的经验。CSDN博客专家，原创文章100余篇。发表专利15个，已授权6个。

第1章 推荐系统概述
1.1 为什么需要推荐系统
1.1.1 推荐系统与用户体验
1.1.2 推荐系统与内容生产
1.1.3 推荐系统与平台发展
1.2 推荐系统分类
1.2.1 业务领域分类
1.2.2 内容介质分类
1.2.3 交互形态分类
1.2.4 应用场景分类
1.3 推荐系统技术架构
1.4 本章小结
第2章 数据样本和特征工程
2.1 数据样本
2.1.1 样本不均衡问题
2.1.2 样本不置信问题
2.1.3 离/在线样本不一致问题
2.2 特征工程
2.2.1 特征类目体系
2.2.2 特征处理范式
2.2.3 特征重要性评估
2.3 本章小结
第3章 传统推荐算法
3.1 协同过滤
3.1.1 基于用户的协同过滤
3.1.2 基于物品的协同过滤
3.1.3 协同过滤的优点和局限性
3.2 矩阵分解
3.2.1 矩阵分解实现方法
3.2.2 矩阵分解的优点和局限性
3.3 逻辑回归
3.3.1 逻辑回归求解过程
3.3.2 逻辑回归的优点和局限性
3.4 因子分解机
3.4.1 因子分解机模型简化
3.4.2 因子分解机的优点和局限性
3.5 组合模型
3.5.1 GBDT+LR组合模型结构
3.5.2 GBDT特征转换过程
3.5.3 组合模型的思考和总结
3.6 本章小结
第4章 特征交叉
4.1 特征交叉概述
4.1.1 特征交叉的意义
4.1.2 特征交叉基本范式
4.1.3 特征交叉的难点
4.2 Deep Crossing：经典DNN框架模型
4.2.1 业务背景和特征体系
4.2.2 模型结构
4.2.3 实现方法
4.3 FNN
4.3.1 为什么Embedding收敛慢
4.3.2 模型结构
4.4 PNN
4.4.1 模型结构
4.4.2 特征交叉实现方法
4.5 Wide＆Deep：异构模型奠基者
4.5.1 “记忆”和“泛化”
4.5.2 模型结构
4.5.3 系统实现
4.5.4 代码解析
4.6 DeepFM：异构模型Wide侧引入FM
4.6.1 模型结构
4.6.2 代码解析
4.7 DCN：异构模型Wide侧引入高阶交叉
4.8 NFM：异构模型Deep侧引入显式交叉
4.9 xDeepFM：异构模型引入子分支
4.10 本章小结
第5章 用户行为序列建模
5.1 用户行为序列建模概述
5.1.1 行为序列建模的意义
5.1.2 行为序列建模的基本范式
5.1.3 行为序列建模的主要难点
5.1.4 行为序列特征工程
5.2 DIN：基于注意力机制建模用户行为序列
5.2.1 背景
5.2.2 模型结构
5.2.3 模型训练方法
5.2.4 代码解析
5.3 DIEN：GRU建模用户行为序列
5.3.1 模型结构：兴趣抽取层
5.3.2 模型结构：兴趣进化层
5.4 BST：Transformer建模用户行为序列
5.4.1 模型结构
5.4.2 代码解析
5.5 DSIN：基于Session建模用户行为序列
5.6 MIMN：基于神经图灵机建模长周期行为序列
5.6.1 工程设计：UIC模块
5.6.2 MIMN模型结构
5.7 SIM：基于检索建模长周期行为序列
5.8 ETA：基于SimHash实现检索索引在线化
5.8.1 ETA模型结构
5.8.2 SimHash原理
5.9 本章小结
第6章 Embedding表征学习
6.1 Embedding表征学习概述
6.1.1 Embedding概述
6.1.2 Embedding表征学习的意义
6.1.3 Embedding表征学习的基本范式
6.1.4 Embedding表征学习的主要难点
6.2 基于序列的Embedding建模方法
6.2.1 Word2vec任务定义：CBOW和Skip-gram
6.2.2 Word2vec模型结构
6.2.3 Word2vec训练方法
6.2.4 Item2vec：推荐系统引入序列Embedding
6.2.5 序列建模总结和思考
6.3 基于同构图游走的Graph Embedding
6.3.1 DeepWalk：同构图游走算法开山之作
6.3.2 LINE：一阶相似度和二阶相似度探索
6.3.3 Node2vec：同质性和结构等价性探索
6.3.4 同构图游走的优缺点
6.4 基于异构图游走的Graph Embedding
6.4.1 Metapath2vec
6.4.2 EGES
6.4.3 异构图游走的优缺点
6.5 图神经网络
6.5.1 GCN：图神经网络开山之作
6.5.2 GraphSAGE：图神经网络工业应用的高潮
6.5.3 图神经网络总结
6.6 向量检索技术
6.6.1 向量距离计算方法
6.6.2 向量检索算法
6.6.3 向量检索常用工具：Faiss
6.7 本章小结
第7章 多任务学习
7.1 多任务学习发展历程
7.1.1 为什么需要多任务学习
7.1.2 多任务学习的基本框架
7.1.3 多任务学习的难点和挑战
7.2 ESMM模型：解决SSB和DS问题的利器
7.2.1 样本选择偏差和数据稀疏问题
7.2.2 ESMM模型结构
7.2.3 ESMM核心代码
7.3 MMOE模型：多专家多门控网络
7.3.1 MMOE模型结构
7.3.2 MMOE核心代码
7.4 PLE模型：解决负迁移和跷跷板现象的利器
7.4.1 负迁移和跷跷板现象
7.4.2 单层CG