互联网上信息庞杂，信息生产者很难将合适的信息传送至合适的用户，同时用户也很难从海量信息中获取其感兴趣的内容。推荐系统能够将信息生产者和用户链接起来，帮助平台解决需求和资源匹配的难题。本书覆盖推荐系统在行业应用中涉及的召回算法、排序算法的原理和实现思路，以及特征工程、冷启动、效果评估、A/B测试、Web服务等核心工程知识，并包含金融、零售等行业的实施案例，另外也与时俱进地介绍了大模型及其在推荐系统中的应用。
本书适合推荐系统从业者、数智化转型从业者及精细化运营从业者等阅读。

刘强，2009年毕业于中国科学技术大学有15年大数据与AI相关实践经验。出版过畅销书《构建企业级推荐系统》，翻译过《AI革命》《认识AI》《MongoDB性能调优实战》等优秀作品。目前是杭州数卓信息技术有限公司CEO，公司业务方向为构建大模型推荐系统、大模型知识库等，帮助企业利用大模型技术进行降本提效与精细化运营。同时，担任达观数据高级技术顾问，与达观数据一同推动推荐系统及大模型技术在行业的落地。

推荐系统基础篇
第1章 推荐系统基础
1.1 推荐系统的定义
1.2 推荐系统解决的问题
1.3 推荐系统的应用领域
1.4 常用的推荐算法
1.4.1 基于内容的推荐算法
1.4.2 协同过滤算法
1.5 构建推荐系统的挑战
1.5.1 数据维度
1.5.2 模型维度
1.5.3 服务维度
1.5.4 场景维度
1.5.5 价值维度
1.6 推荐系统的价值
1.7 小结
第2章 推荐系统的产品与运营
2.1 推荐系统产品
2.2 推荐系统产品形态
2.2.1 热门推荐榜单推荐
2.2.2 个性化推荐
2.2.3 信息流推荐
2.2.4 物品关联推荐
2.3 推荐系统运营
2.4 小结
第3章 推荐系统的业务流程与架构
3.1 推荐算法的业务流程
3.1.1 数据收集
3.1.2 ETL与特征工程
3.1.3 模型构建
3.1.4 模型预测
3.1.5 Web服务
3.1.6 离线评估与在线评估
3.1.7 其他支撑模块
3.2 推荐服务的pipeline架构
3.3 推荐系统的工程架构设计原则
3.4 小结
第4章 推荐系统的数据源与数据预处理
4.1 推荐系统的数据源
4.1.1 根据产品功能来划分
4.1.2 根据数据载体来划分
4.1.3 根据数据组织形式来划分
4.2 数据预处理
4.2.1 抽取
4.2.2 转换
4.2.3 加载
4.3 小结
第5章 推荐系统的特征工程
5.1 推荐系统架构下的特征工程
5.2 推荐系统的5类特征
5.2.1 用户画像特征
5.2.2 物品画像特征
5.2.3 用户行为特征
5.2.4 场景特征
5.2.5 交叉特征
5.3 推荐算法与特征工程
5.3.1 个性化推荐下的样本与特征
5.3.2 物品关联推荐下的样本与特征
5.4 推荐系统特征工程面临的挑战
5.4.1 异构数据
5.4.2 实时推荐
5.4.3 复杂场景下的推荐
5.4.4 用户隐私与信息安全
5.5 小结
召回算法篇
第6章 推荐系统的召回算法
6.1 什么是召回算法
6.2 常用的召回算法介绍
6.2.1 基于算法复杂度分类
6.2.2 基于数据维度分类
6.2.3 基于算法是否个性化分类
6.3 关于召回算法的使用说明
6.3.1 别使用太复杂的召回算法
6.3.2 使用多维度的召回算法
6.3.3 基于业务策略进行召回
6.4 小结
第7章 基于规则和策略的召回算法
7.1 热门召回
7.2 基于物品标签的召回
7.2.1 物品关联召回
7.2.2 个性化召回
7.3 基于用户画像的召回
7.3.1 基于用户自然属性的召回
7.3.2 基于用户社会属性的召回
7.3.3 基于用户业务属性的召回
7.3.4 基于用户设备属性的召回
7.4 基于地域的召回
7.5 基于时间的召回
7.6 小结
第8章 基础召回算法
8.1 关联规则召回算法
8.2 聚类召回算法
8.2.1 基于用户聚类的召回
8.2.2 基于物品聚类的召回
8.3 朴素贝叶斯召回算法
8.4 协同过滤召回算法
8.4.1 基于用户的协同过滤
8.4.2 基于物品的协同过滤
8.5 矩阵分解召回算法
8.5.1 矩阵分解召回算法的核心思想
8.5.2 矩阵分解召回算法的实现原理
8.5.3 矩阵分解召回算法的求解方法
8.6 小结
第9章 高阶召回算法
9.1 嵌入方法召回
9.1.1 word2vec原理介绍
9.1.2 item2vec原理介绍
9.1.3 item2vec在召回中的应用
9.2 深度学习召回
9.2.1 YouTube深度学习召回算法原理
9.2.2 优化召回算法的线上服务策略
9.3 小结
排序算法篇
第10章 推荐系统的排序算法
10.1 什么是排序算法
10.2 常用的排序算法
10.2.1 基于规则和策略的排序算法
10.2.2 基础排序算法
10.2.3 高阶排序算法
10.3 关于排序算法的3点说明
10.3.1 是否一定要用排序算法
10.3.2 粗排和精排
10.3.3 排序后的业务调控
10.4 小结
第11章 基于规则和策略的排序算法
11.1 多种召回随机打散
11.2 按照某种顺序排列
11.3 召回得分归一化排序
11.4 匹配用户画像排序
11.5 利用代理算法排序
11.6 几种策略的融合使用
11.7 小结
第12章 基础排序算法
12.1 logistic回归排序算法
12.1.1 logistic回归的算法原理
12.1.2 logistic回归的特点
12.1.3 logistic回归的工程实现
12.1.4 logistic回归在业界的应用
12.2 FM排序算法
12.2.1 FM的算法原理
12.2.2 FM的参数估计
12.2.3 FM的计算复杂度
12.2