本书深入全面地讲解了现代推荐算法，同时兼顾深度和广度，介绍了当下较前沿、先进的各类算法及其实践。本书从总览篇开始，介绍推荐系统的基本概念及工作环节。在模型篇中，除了梳理推荐系统的发展史，本书还重点讲解面向工业实践的选择及改进，为读者打下推荐系统的算法基础；进而带着读者进阶到前沿篇、难点篇，面对推荐系统中的各式问题，给出解决方案；最后在决策篇中，从技术原理和用户心理出发，解释一些常见决策背后的依据，从而帮助读者从执行层面进阶到决策层面，建立大局观。本书力求用简洁易懂的语言说清核心原理，对已经有一定机器学习概念和数学基础的学生和相关领域的从业者非常友好，特别适合推荐系统、计算广告和搜索领域的从业者及学生拓展新知和项目实战。

总览篇
第 1 章 推荐系统概述
1.1 推荐系统是什么
1.2 推荐系统发展的天时、地利、人和
1.2.1 天时
1.2.2 地利
1.2.3 人和
第 2 章 现代推荐链路
2.1 召回、粗排、精排——各有所长
2.2 召回、粗排、精排——级联漏斗
2.3 打压、保送、重排——拍不完的脑袋
模型篇
第 3 章 精排之锋
3.1 简单“复读机”——逻辑回归模型
3.2 工业逻辑回归模型的稀疏性要求
3.3 FM 的一小步，泛化的一大步
3.4 多彩的 FNN/PNN/ONN/NFM 世界
3.5 高阶交叉
3.6 工具人 GBDT
3.7 嵌入表示亦福亦祸，树模型的新机遇
3.8 DNN 与两大门派，“一念神魔”与功不唐捐
3.9 再论特征与嵌入生成
3.10 机器学习唯一指定王牌技术——注意力机制
3.11 注意力机制的几种写法
3.12 Transformer 的升维打击
第 4 章 粗排之柔
4.1 粗排存在与否的必要性
4.2 粗排复杂化的方法
4.3 Pair-wise 与 List-wise
第 5 章 召回之厚
5.1 u2i 之双塔进击史
5.2 i2i 及 u2u2i 方案
5.3 近似搜索概览
5.3.1 向量量化类方法
5.3.2 基于图的搜索
5.4 树模型与类树模型的冲击
第 6 章 模型迭代的术与道
6.1 什么是“老汤模型”
6.2 模型迭代的“术”