推荐系统全链路设计：原理解读与业务实践

作者简介

推荐阅读

11.3 PID算法

11.2 物料冷启动

11.1 用户冷启动

第11章 冷启动环节的设计与实现

10.3.2 强化学习在混排中的应用

10.3.1 混排公式推导

10.3 混排

10.2.2 生成式重排机制

10.2.1 PRM

10.2 模型重排

10.1 精排数据分析

第10章 重排层的设计与实现

9.2 工程优化

9.1 蒸馏

第9章 粗排层的样本选择和模型选择

8.7.6 多目标模型的损失优化

8.7.5 PLE

8.7.4 CGC

8.7.3 SNR

8.7.2 ESMM+MMOE

8.7.1 MMOE

8.7 多目标建模

8.6.4 SIM

8.6.3 MIMN

8.6.2 DIEN

8.6.1 DIN

8.6 序列建模

8.5.5 因果模型应用于偏置消除

8.5.4 提升模型的评价指标

8.5.3 标签转换法

8.5.2 基于树模型的因果模型

8.5.1 提升模型建模方式

8.5 因果场景

8.4.3 SHAP

8.4.2 夏普利值

8.4.1 FiBiNET

8.4 模型可解释性

8.3.6 不平等偏置

8.3.5 服从性偏置

8.3.4 选择偏置

8.3.3 热门偏置

8.3.2 曝光偏置

8.3.1 位置偏置

8.3 偏置问题

8.2.2 DCN系列模型

8.2.1 FM模型家族

8.2 交叉模型

8.1.2 Wide&Deep

8.1.1 Youtube DNN精排模型

8.1 传统DNN建模

第8章 精排层的样本选择和模型选择

7.5.2 DR

7.5.1 TDM树召回

7.5 基于树网络的召回

7.4.3 GraphTR

7.4.2 PinSage

7.4.1 Graph Sage

7.4 基于图网络的召回

7.3.3 “随机游走”在召回中的应用

7.3.2 Airbnb召回模型

7.3.1 基于Word2vec的经典召回模型

7.3 Word2vec在召回中的应用

7.2.6 ESAM模型

7.2.5 MIND模型

7.2.4 FM召回

7.2.3 Facebook召回模型

7.2.2 Youtube召回模型

7.2.1 DSSM模型

7.2 双塔召回

7.1.3 协同过滤优缺点

7.1.2 协同过滤的改进

7.1.1 传统协同过滤

7.1 协同过滤召回

第7章 个性化召回层样本选择和模型选择

6.4 怎么解决神经网络的拟合问题

6.3 怎么为神经网络选择损失函数

6.2 怎么为神经网络选择优化器

6.1.2 DNN激活函数的选择

6.1.1 DNN的深度和宽度调参

6.1 怎么对DNN调参

第6章 神经网络模型调参

5.6 利用集成学习提高推荐效果

5.5.2 贝叶斯调参

5.5.1 网格搜索

5.5 全局优化调参

5.4 LightGBM调参

5.3 XGBoost调参

5.2 随机森林调参

5.1 决策树调参

第5章 机器学习模型调参

4.5 怎么设计合理的AB实验

4.4 重排层应该选择什么评价指标

4.3 召回层应该选择什么评价指标

4.2 精排层应该选择什么评价指标

4.1 不同业务的线上指标

第4章 为推荐系统选择评价指标

3.4 怎么处理离散特征

3.3.3 有监督分箱

3.3.2 无监督分箱

3.3.1 标准化

3.3 怎么处理连续特征

3.2.4 交叉数据

3.2.3 内容侧数据

3.2.2 用户侧数据

3.2.1 物料侧数据

3.2 怎么清洗数据

3.1 怎么收集数据

第3章 构建推荐系统的特征

2.6.2 物料冷启动

2.6.1 用户冷启动

2.6 冷启动环节

2.5 重排层概述

2.4 精排层概述

2.3.2 交叉粗排

2.3.1 双塔粗排

2.3 粗排层概述

2.2.2 个性化召回

2.2.1 非个性化召回

2.2 召回层概述

2.1 推荐系统架构概述

第2章 推荐系统架构

1.5 架构和模型在推荐系统落地中的作用

1.4 推荐系统怎么拉活促销

1.3.4 推荐系统是怎么应用于信息流的

1.3.3 推荐系统是怎么应用于广告业务的

1.3.2 视频网站是怎么做推荐系统的

1.3.1 电商是怎么做推荐系统的

1.3 4类主流推荐系统构建点拨

1.2 企业在构建推荐系统时会面临哪些问题

1.1 深度理解推荐系统

第1章 什么是推荐系统

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 什么是推荐系统

1.1 深度理解推荐系统

1.2 企业在构建推荐系统时会面临哪些问题

1.3 4类主流推荐系统构建点拨

1.3.1 电商是怎么做推荐系统的

1.3.2 视频网站是怎么做推荐系统的

1.3.3 推荐系统是怎么应用于广告业务的

1.3.4 推荐系统是怎么应用于信息流的

1.4 推荐系统怎么拉活促销

1.5 架构和模型在推荐系统落地中的作用

第2章 推荐系统架构

2.1 推荐系统架构概述

2.2 召回层概述

2.2.1 非个性化召回

2.2.2 个性化召回

2.3 粗排层概述

2.3.1 双塔粗排

2.3.2 交叉粗排

2.4 精排层概述

2.5 重排层概述

2.6 冷启动环节

2.6.1 用户冷启动

2.6.2 物料冷启动

第3章 构建推荐系统的特征

3.1 怎么收集数据

3.2 怎么清洗数据

3.2.1 物料侧数据

3.2.2 用户侧数据

3.2.3 内容侧数据

3.2.4 交叉数据

3.3 怎么处理连续特征

3.3.1 标准化

3.3.2 无监督分箱

3.3.3 有监督分箱

3.4 怎么处理离散特征

第4章 为推荐系统选择评价指标

4.1 不同业务的线上指标

4.2 精排层应该选择什么评价指标

4.3 召回层应该选择什么评价指标

4.4 重排层应该选择什么评价指标

4.5 怎么设计合理的AB实验

第5章 机器学习模型调参

5.1 决策树调参

5.2 随机森林调参

5.3 XGBoost调参

5.4 LightGBM调参

5.5 全局优化调参

5.5.1 网格搜索

5.5.2 贝叶斯调参

5.6 利用集成学习提高推荐效果

第6章 神经网络模型调参

6.1 怎么对DNN调参

6.1.1 DNN的深度和宽度调参

6.1.2 DNN激活函数的选择

6.2 怎么为神经网络选择优化器

6.3 怎么为神经网络选择损失函数

6.4 怎么解决神经网络的拟合问题

第7章 个性化召回层样本选择和模型选择

7.1 协同过滤召回

7.1.1 传统协同过滤

7.1.2 协同过滤的改进

7.1.3 协同过滤优缺点

7.2 双塔召回

7.2.1 DSSM模型

7.2.2 Youtube召回模型

7.2.3 Facebook召回模型

7.2.4 FM召回

7.2.5 MIND模型

7.2.6 ESAM模型

7.3 Word2vec在召回中的应用

7.3.1 基于Word2vec的经典召回模型

7.3.2 Airbnb召回模型

7.3.3 “随机游走”在召回中的应用

7.4 基于图网络的召回

7.4.1 Graph Sage

7.4.2 PinSage

7.4.3 GraphTR

7.5 基于树网络的召回

7.5.1 TDM树召回

7.5.2 DR

第8章 精排层的样本选择和模型选择

8.1 传统DNN建模

8.1.1 Youtube DNN精排模型

8.1.2 Wide&Deep

8.2 交叉模型

8.2.1 FM模型家族

8.2.2 DCN系列模型

8.3 偏置问题

8.3.1 位置偏置

8.3.2 曝光偏置

8.3.3 热门偏置

8.3.4 选择偏置

8.3.5 服从性偏置

8.3.6 不平等偏置

8.4 模型可解释性

8.4.1 FiBiNET

8.4.2 夏普利值

8.4.3 SHAP

8.5 因果场景

8.5.1 提升模型建模方式

8.5.2 基于树模型的因果模型

8.5.3 标签转换法

8.5.4 提升模型的评价指标

8.5.5 因果模型应用于偏置消除

8.6 序列建模

8.6.1 DIN

8.6.2 DIEN

8.6.3 MIMN

8.6.4 SIM

8.7 多目标建模

8.7.1 MMOE

8.7.2 ESMM+MMOE

8.7.3 SNR

8.7.4 CGC

8.7.5 PLE

8.7.6 多目标模型的损失优化

第9章 粗排层的样本选择和模型选择

9.1 蒸馏

9.2 工程优化

第10章 重排层的设计与实现

10.1 精排数据分析

10.2 模型重排

10.2.1 PRM

10.2.2 生成式重排机制

10.3 混排

10.3.1 混排公式推导

10.3.2 强化学习在混排中的应用

第11章 冷启动环节的设计与实现

11.1 用户冷启动

11.2 物料冷启动

11.3 PID算法

推荐阅读

作者简介