RecSys-Industrial-Book
RecSys-Industrial-Book
《推荐系统：工业架构与核心算法》开源书稿
AI Agent 使用入口：AGENTS.md、CLAUDE.md 与 docs/agent-guide.md。仓库仅从已发布 PDF 在本地临时建立检索索引，不公开 LaTeX 或正文等价 Markdown。
🔖 定位：工业级推荐系统硬核专著，主打全链路系统化思维，拒绝碎片化知识点
🎯 受众：具备机器学习 / 推荐基础的研究生、算法 / 架构 / 策略工程师、技术研究者
❗ 不适合纯零基础小白（建议先学习机器学习与深度学习入门知识）
💡 创作理念：随着AI的快速发展，写代码门槛已逐步降低。因此本书主要聚焦于系统认知、架构设计、模块协同、工业策略、业务权衡等方面，帮助大家建立一种系统化、模块化的思维。
📦 内容：全书上下册 PDF + 配套可运行代码、实验案例、补充资料（持续更新）
📄 授权：个人学习非商用，转载 / 引用请注明出处
AI Agent 使用
本仓库支持两种本地模式：基于已发布 PDF 的本书答疑，以及结合本书和配套代码的工业推荐系统开发。无需 MCP 或云端知识库。
# 首次使用或 PDF 更新后建立本地索引
python3 tools/recsys_agent.py index
# 检索本书内容
python3 tools/recsys_agent.py search "Embedding Server 版本一致性"
# 运行推荐请求链路模板
python3 templates/recommendation-pipeline/app.py --user u1 --limit 5
生成的 PDF 提取文本只保存在被 Git 忽略的 .recsys-agent/ 中。详细工作流、引用规则和隐私边界见 docs/agent-guide.md。
社交媒体
以下是我的小红书账号，欢迎大家关注我！
Star趋势
📚 已完成章节阅读入口
点击下方章节名称即可快速跳转至对应内容。
| 章节 | 章节名称 | 快捷链接 |
|---|---|---|
| 第 0 章 | 前言 | 阅读本章 |
| 第 1 章 | 推荐系统概述 | 阅读本章 |
| 第 2 章 | 推荐系统架构 | 阅读本章 |
| 第 3 章 | 推荐系统评价体系 | 阅读本章 |
| 第 4 章 | 召回与过滤模块 | 阅读本章 |
| 第 5 章 | 粗排模块 | 阅读本章 |
| 第 6 章 | 精排模块 | 阅读本章 |
| 第 7 章 | 重排模块 | 阅读本章 |
| 第 8 章 | 混排模块 | 阅读本章 |
| 第 9 章 | 生成式推荐模块 | 阅读本章 |
| 第 10 章 | 召回模型 | 阅读本章 |
| 第 11 章 | 粗排模型 | 阅读本章 |
| 第 15 章 | 特征工程 | 阅读本章 |
| 第 16 章 | 推荐系统离线服务 | 阅读本章 |
| 第 18 章 | 向量检索系统 | 阅读本章 |
| 第 19 章 | 推荐系统偏差问题 | 阅读本章 |
| 第 23 章 | 时长预估建模 | 阅读本章 |
| 第 28 章 | 强化学习推荐场景 | 阅读本章 |
📌 说明：本书《推荐系统：工业架构与核心算法》持续更新中，后续章节将陆续开放，包括精排模型、经典推荐问题、强化学习推荐、LLM 与 Agent 推荐、生成式推荐等前沿方向。
✍️ 当前写作进度
以下进度实时更新，欢迎追更！
| 章节范围 | 涵盖内容 | 当前状态 |
|---|---|---|
| 第 1 ~ 9 章 | 推荐系统概览、架构、评价体系、召回与过滤模块、粗排/精排/重排/混排/生成式推荐模块 | ✅ 已完成 |
| 第 10 章 | 召回模型（协同过滤/图召回/向量召回/双塔等，约 120 页深度拆解） | ✅ 已完成 |
| 第 11 章 | 粗排模型（双塔模型/多塔模型/蒸馏模型/DNN模型等，约 50页深度拆解） | ✅ 已完成 |
| 第 12 ~ 17 章 | 上册其余部分（精排模型、Learning to Rank模型、重排/混排模型、离线/在线服务） | 🚧 写作中 |
| 第 15 章 | 特征工程（特征体系与特征表示、行为统计与用户画像、特征交互建模、特征筛选建模等） | ✅ 已完成 |
| 第 16 章 | 推荐系统离线服务（样本流服务、用户行为序列服务、索引服务、离线训练服务等） | ✅ 已完成 |
| 第 18 章 | 向量检索系统（基于树结构的ANN、局部敏感哈希、乘积量化、HNSW、向量检索工具） | ✅ 已完成 |
| 第 19 章 | 推荐系统偏差问题（样本选择偏差、用户群体偏差、混淆偏差、曝光位置偏差、Duration偏差等） | ✅ 已完成 |
| 第 23 章 | 时长预估建模（基于加权二分类的时长建模、基于离散化分桶的时长建模、经典时长预估建模方法、生成式时长建模） | ✅ 已完成 |
| 第 20 ~ 38 章 | 下册（用户兴趣建模、多目标优化、强化学习推荐、LLM与Agent推荐、生成式推荐进阶等） | 📋 规划中 |
总进度：上册约 75% 完稿，全册约 50% 完稿（已完稿约 600 页）。
目录
后续整本书籍还是会按照上下两册的目录结构进行持续更新。其中前4部分从第一章截止到第十七章为上册内容，第十八章到第三十七章为下册内容。
- 第一部分 推荐系统基础
- 第 1 章 推荐系统概述
- 1.1 什么是推荐系统
- 1.2 推荐系统发展历程
- 1.2.1 人工推荐时代
- 1.2.2 机器学习时代
- 1.2.3 深度学习时代
- 1.2.4 大模型时代
- 1.2.5 推荐系统发展的核心驱动力
- 1.3 推荐系统的核心目标
- 1.3.1 用户价值
- 1.3.2 平台价值
- 1.3.3 内容生态价值
- 1.3.4 不同业务场景的核心目标
- 1.3.5 北极星指标
- 1.4 推荐系统是如何工作的
- 1.5 推荐系统的挑战
- 1.5.1 海量数据挑战
- 1.5.2 实时响应挑战
- 1.5.3 多目标优化挑战
- 1.5.4 冷启动挑战
- 1.6 本章小结
- 第 2 章 推荐系统架构
- 2.1 混合推荐系统架构
- 2.2 级联式推荐系统
- 2.3 推荐系统的离线架构与在线架构
- 2.3.1 离线架构
- 2.3.2 在线架构
- 2.4 降级推荐系统
- 2.5 作者侧推荐系统
- 2.6 系统日志与数据
- 2.6.1 流式数据与离线数据
- 2.6.2 Hive与推荐系统数据仓库
- 2.6.3 推荐系统中的核心日志
- 2.6.4 大模型驱动的内容理解数据
- 2.7 本章小结
- 2.8 参考文献
- 第 3 章 推荐系统评价体系
- 3.1 离线评价指标
- 3.1.1 分类指标
- 3.1.2 排序指标
- 3.1.3 概率校准指标
- 3.2 在线评价指标
- 3.3 A/B 实验体系
- 3.3.1 A/B实验基本原理
- 3.3.2 A/B实验平台
- 3.3.3 日志体系与数据质量保障
- 3.3.4 A/B实验迭代流程
- 3.4 推荐系统监控体系
- 3.5 本章小结
- 3.1 离线评价指标
- 第 1 章 推荐系统概述
- 第二部分 推荐系统模块
- 第 4 章 召回与过滤模块
- 4.1 为什么需要召回
- 4.2 多路召回架构
- 4.3 召回技术分类
- 4.3.1 用户召回
- 4.3.2 内容召回
- 4.3.3 图召回
- 4.3.4 向量召回
- 4.3.5 其他召回
- 4.4 召回结果融合
- 4.5 过滤限流模块
- 4.5.1 过滤模块的位置
- 4.5.2 常见过滤与限流策略
- 4.5.3 负向判罚体系
- 4.5.4 风控算法的发展
- 4.5.5 过滤模块面临的挑战
- 4.6 本章小结
- 4.7 参考文献
- 第 5 章 粗排模块
- 5.1 为什么需要粗排
- 5.2 粗排模型
- 5.3 链路一致性模型
- 5.4 粗排多目标融合
- 5.4.1 基于值的融合
- 5.4.1.1 线性融合
- 5.4.1.2 乘法融合
- 5.4.2 基于序关系的融合
- 5.4.3 基于值与序关系的融合
- 5.4.4 自动化融合与贝叶斯优化
- 5.4.1 基于值的融合
- 5.5 多目标融合机制分析
- 5.6 粗排分Quota调控与截断
- 5.6.1 粗排Quota调控
- 5.6.2 粗排保量机制
- 5.6.3 粗排截断机制
- 5.7 粗排候选集集合优化
- 5.8 本章小结
- 5.9 参考文献
- 第 6 章 精排模块
- 6.1 精排模块架构
- 6.2 精排模型与 LTR 模型
- 6.3 精排模型常见的预估任务
- 6.3.1 时长预估
- 6.3.2 稀疏互动信号建模
- 6.3.3 样本加权
- 6.3.4 稠密目标辅助稀疏目标学习
- 6.3.5 行为关联建模
- 6.4 精排多目标融合
- 6.4.1 乘法公式及形状分析
- 6.4.2 序变换及形状分析
- 6.4.3 排序公式超参数寻优
- 6.5 精排流量调控
- 6.5.1 级联式多目标融合与流量调控
- 6.5.2 多通道式流量调控
- 6.5.3 流量调控的业务价值
- 6.5.4 流量调控的优化视角
- 6.5.5 精排保量与强插策略
- 6.6 本章小结
- 6.7 参考文献
- 第 7 章 重排模块
- 7.1 为什么需要重排
- 7.2 重排模块架构
- 7.3 序列生成
- 7.4 序列评估与排序
- 7.5 多样性打散
- 7.5.1 MMR 算法
- 7.5.2 DPP 算法
- 7.5.3 SSD 算法
- 7.6 重排后处理
- 7.7 本章小结
- 7.8 参考文献
- 第 8 章 混排模块
- 8.1 多业务混排问题
- 8.2 混排前处理
- 8.2.1 分数校准方法
- 8.2.2 分数归一化
- 8.3 序列生成
- 8.3.1 序列生成约束规则
- 8.3.2 预竞价与全竞价架构
- 8.4 序列排序
- 8.5 序列价值评估体系
- 8.6 混排后处理与流量调控
- 8.6.1 Load 调控
- 8.6.2 PID 控制
- 8.6.3 强插策略
- 8.6.4 保量与降权
- 8.7 本章小结
- 8.8 参考文献
- 第 9 章 生成式推荐模块
- 9.1 生成式推荐概述
- 9.2 生成式推荐架构
- 9.3 语义ID生成
- 9.3.1 RQ-VAE算法
- 9.3.2 RQ-VAE的工程实践问题
- 9.3.3 RQ-KMeans算法
- 9.3.4 其他离散Tokenizer方法
- 9.4 生成式推荐模型
- 9.4.1 Transformer模型
- 9.4.2 生成式推荐训练目标
- 9.5 物品ID检索
- 9.6 一阶段生成式推荐算法
- 9.6.1 DIGER算法
- 9.6.2 ETEGRec算法
- 9.6.2.1 ETEGRec算法的核心框架
- 9.6.2.2 ETEGRec算法的对齐机制
- 9.6.2.3 ETEGRec算法的交替优化策略
- 9.6.3 UniSID算法
- 9.7 生成式推荐落地问题
- 9.8 生成式推荐讨论
- 9.9 本章小结
- 9.10 参考文献
- 第 4 章 召回与过滤模块
- 第三部分 推荐系统核心算法
- 第 10 章 召回模型
- 10.1 协同过滤召回
- 10.1.1 ItemCF召回
- 10.1.2 UserCF召回
- 10.1.3 Online CF召回
- 10.1.3.1 整体工程架构
- 10.1.3.2 实时更新流程
- 10.1.3.3 Online CF召回算法分析
- 10.1.4 Swing召回
- 10.1.4.1 Swing相似度计算
- 10.1.4.2 离线Swing召回
- 10.1.4.3 在线Swing召回
- 10.1.4.4 Swing召回模型分析
- 10.1.5 矩阵分解召回
- 10.1.5.1 奇异值分解（SVD）
- 10.1.5.2 矩阵分解（Matrix Decomposition）
- 10.1.6 Neural CF召回
- 10.1.6.1 GMF与MLP模型
- 10.1.6.2 NeuMF模型
- 10.1.6.3 Neural CF模型训练
- 10.1.7 Heterogeneous CF召回
- 10.2 图召回
- 10.2.1 图嵌入召回
- 10.2.1.1 DeepWalk召回
- 10.2.1.2 Node2Vec召回
- 10.2.1.3 EGES召回
- 10.2.2 图网络召回
- 10.2.2.1 GCN召回
- 10.2.2.2 GAT召回
- 10.2.2.3 GraphSAGE召回
- 10.2.2.4 LightGCN召回
- 10.2.2.5 PinSage召回
- 10.2.2.6 HybridGNN召回
- 10.2.1 图嵌入召回
- 10.3 向量召回
- 10.3.1 YoutubeDNN召回
- 10.3.1.1 YoutubeDNN召回模型原理
- 10.3.1.2 YouTubeDNN召回模型部署与应用
- 10.3.2 双塔召回
- 10.3.2.1 双塔召回模型原理
- 10.3.2.2 双塔召回负采样偏差处理
- 10.3.2.3 双塔召回模型的发展趋势
- 10.3.3 基于预训练语义模型的向量召回
- 10.3.3.1 FastText模型
- 10.3.3.2 BERT模型
- 10.3.3.3 Sentence-BERT模型
- 10.3.3.4 SimCSE模型
- 10.3.3.5 E5模型
- 10.3.3.6 Sentence Transformers库
- 10.3.1 YoutubeDNN召回
- 10.4 序列召回
- 10.4.1 List2Vec召回
- 10.4.1.1 Item2Vec模型
- 10.4.1.2 List2Vec召回算法原理
- 10.4.1.3 List2Vec召回算法工程实现
- 10.4.2 RNN序列召回
- 10.4.2.1 GRU4Rec模型
- 10.4.2.2 RNN序列召回工程实现
- 10.4.3 Transformer序列召回
- 10.4.3.1 SASRec模型
- 10.4.3.2 BERT4Rec模型
- 10.4.3.3 Transformer序列召回工程实现
- 10.4.4 SDM召回
- 10.4.4.1 SDM召回算法原理
- 10.4.4.2 SDM召回模型训练与部署
- 10.4.5 对比学习序列召回
- 10.4.5.1 CL4SRec召回
- 10.4.5.2 ICSRec召回
- 10.4.5.3 对比学习序列召回落地讨论
- 10.4.1 List2Vec召回
- 10.5 多兴趣召回
- 10.5.1 MIND召回
- 10.5.1.1 动态路由机制
- 10.5.1.2 Label-aware Attention机制
- 10.5.1.3 MIND召回工程落地
- 10.5.2 ComiRec召回
- 10.5.3 REMI召回
- 10.5.1 MIND召回
- 10.6 其他召回模型
- 10.6.1 PDN召回
- 10.6.1.1 PDN召回算法原理
- 10.6.1.2 PDN召回工程落地
- 10.6.2 TDM召回
- 10.6.2.1 Hierarchical Softmax存在的问题
- 10.6.2.2 TDM召回的树模型
- 10.6.2.3 TDM召回的深度模型
- 10.6.2.4 TDM召回的树构建与学习
- 10.6.2.5 TDM召回工程落地
- 10.6.1 PDN召回
- 10.7 召回模型落地讨论
- 10.8 本章小结
- 10.9 参考文献
- 10.1 协同过滤召回
- 第 11 章 粗排模型
- 11.1 双塔模型
- 11.1.1 DSSM模型
- 11.1.2 TDSSM模型
- 11.1.3 DSSM + Transformer模型
- 11.1.4 DAT模型
- 11.1.4.1 双塔增强结构
- 11.1.4.2 自适应模仿机制
- 11.1.4.3 类别对齐损失
- 11.1.4.4 DAT模型的训练目标
- 11.1.4.5 DAT模型的工业价值
- 11.2 多塔模型
- 11.2.1 MV-DSSM模型
- 11.2.2 DSSM + FM模型
- 11.2.3 延迟反馈多塔模型
- 11.2.3.1 实时数据流下的延迟反馈建模
- 11.2.3.2 离线数据流下的延迟反馈建模
- 11.2.3.3 实时训练与离线训练的比较
- 11.2.4 带交叉特征的多塔模型
- 11.3 粗排蒸馏模型
- 11.3.1 Teacher-Student模型
- 11.3.1.1 显示知识蒸馏
- 11.3.1.2 隐式知识蒸馏
- 11.3.2 Rocket Launching模型
- 11.3.3 PFD模型
- 11.3.1 Teacher-Student模型
- 11.4 粗排DNN模型
- 11.4.1 双塔DNN模型
- 11.4.2 COLD模型
- 11.4.3 FSCD模型
- 11.4.4 IntTower模型
- 11.4.4.1 Light-SE模块
- 11.4.4.2 FE-Block模型
- 11.4.4.3 CIR模块
- 11.4.4.4 IntTower模型训练
- 11.5 粗排模型多兴趣建模
- 11.5.1 MVKE模型
- 11.5.2 HIT模型
- 11.5.2.1 粗粒度生成模块
- 11.5.2.2 细粒度匹配模块
- 11.5.2.3 HIT模型优化目标
- 11.6 粗排模型实践案例
- 11.7 粗排模型实践讨论
- 11.8 本章小结
- 11.1 双塔模型
- 第 12 章 精排模型
- 12.1 传统模型
- 12.1.1 逻辑斯特回归
- 12.1.2 因子分解机
- 12.1.3 FFM
- 12.2 共享底层模型
- 12.2.1 Wide&Deep
- 12.2.2 DeepFM
- 12.3 特征交叉建模
- 12.3.1 DCN
- 12.3.2 AutoInt
- 12.4 多专家模型
- 12.4.1 MoE
- 12.4.2 PLE
- 12.5 常见的 loss 函数
- 12.6 精排模型网络结构
- 12.7 本章小结
- 12.1 传统模型
- 第 13 章 Learning to Rank模型
- 13.1 LTR模型概述
- 13.1.1 LTR模型的定义
- 13.2 集合优化建模
- 13.2.1 Deep Set模型
- 13.2.2 Set Transformer模型
- 13.3 本章小结
- 13.1 LTR模型概述
- 第 14 章 重排与混排模型
- 14.1 序列生成模型
- 14.1.1 PointerNet 模型
- 14.1.2 Seq2Slate 模型
- 14.1.3 PRM 模型
- 14.2 序列评估模型
- 14.3 本章小结
- 14.4 参考文献
- 14.1 序列生成模型
- 第 10 章 召回模型
- 第四部分 推荐系统工程实践
- 第 15 章 特征工程
- 15.1 特征体系
- 15.1.1 用户特征
- 15.1.2 物品特征
- 15.1.3 上下文特征
- 15.1.4 行为特征
- 15.1.5 多模态特征
- 15.2 特征表示
- 15.2.1 特征表示形式
- 15.2.2 特征体系的工业化设计
- 15.2.3 Embedding表征的作用
- 15.2.4 从特征工程到表征学习
- 15.3 行为统计与用户画像
- 15.4 实时特征
- 15.5 特征交互建模
- 15.5.1 DCN
- 15.5.2 DCN-V2
- 15.5.3 AutoInt
- 15.5.4 FiBiNet
- 15.5.5 AFN
- 15.5.6 FED
- 15.5.7 CAN
- 15.5.8 FINT
- 15.5.9 GDCN
- 15.5.10 IPA
- 15.5.11 特征交互建模讨论
- 15.6 特征筛选建模
- 15.6.1 特征重要性
- 15.6.2 特征冗余
- 15.6.3 特征成本
- 15.6.4 特征质量
- 15.6.5 数据漂移
- 15.6.6 特征泄露
- 15.6.7 特征治理
- 15.7 本章小结
- 15.8 参考文献
- 15.1 特征体系
- 第 16 章 推荐系统离线服务
- 16.1 样本流服务
- 16.1.1 普通任务样本流服务
- 16.1.1.1 特征预处理消费者
- 16.1.1.2 Label更新规则
- 16.1.1.3 等待窗口与重复投递
- 16.1.1.4 逐物品拼接、过滤与清理
- 16.1.2 全链路级联样本流服务
- 16.1.3 Session样本流服务
- 16.1.4 非实时样本流服务
- 16.1.1 普通任务样本流服务
- 16.2 强化学习样本流服务
- 16.2.1 基于Redis的RL样本拼接
- 16.2.1.1 用户反馈的存储与读取
- 16.2.1.2 自适应等待窗口
- 16.2.1.3 状态转移拼接
- 16.2.1.4 样本的过滤与产出
- 16.2.2 基于Flink的RL样本流优化
- 16.2.2.1 从手工状态到框架托管
- 16.2.2.2 Event Time与Watermark
- 16.2.2.3 Flink RL样本拼接的实现
- 16.2.3 长序列模型的RL数据流扩展
- 16.2.1 基于Redis的RL样本拼接
- 16.3 用户行为日志解析服务
- 16.3.1 短期兴趣序列服务
- 16.3.2 长期兴趣序列服务
- 16.4 统计特征生产服务
- 16.4.1 用户侧计数特征产出
- 16.4.2 物品侧计数特征产出
- 16.4.3 计数变更触发的索引更近
- 16.5 物品侧内容理解生产服务
- 16.5.1 内容向量消费者
- 16.5.2 多模态模型推理RPC服务
- 16.6 物品索引特征服务
- 16.6.1 离线Runner服务
- 16.6.2 批量正排索引更新服务
- 16.6.3 批量倒排索引更新服务
- 16.6.4 实时索引更新服务
- 16.7 图存储服务
- 16.7.1 图数据构建与在线查询
- 16.7.2 图数据库的技术选型
- 16.7.3 图数据库封装为在线服务
- 16.8 训练任务
- 16.8.1 Kafka样本流与数据处理
- 16.8.2 分布式训练框架与任务执行
- 16.8.3 同步数据并行与梯度通信
- 16.8.4 参数服务器与稀疏参数
- 16.8.5 流式模型保存、评估与线上更新
- 16.8.6 混合精度、异常指标与故障回滚
- 16.9 本章小结
- 16.10 参考文献
- 16.1 样本流服务
- 第 17 章 推荐系统在线服务
- 17.1 在线推理架构
- 17.2 Embedding Server
- 17.3 TensorRT
- 17.4 缓存系统
- 17.5 双塔模型在线服务优化
- 17.6 DNN 模型在线服务优化
- 17.7 本章小结
- 第 18 章 向量检索系统
- 18.1 ANN概述
- 18.2 基于树结构的ANN
- 18.2.1 KD树
- 18.2.2 球树
- 18.2.3 随机投影树
- 18.3 局部敏感哈希(LSH)
- 18.3.1 MinHash
- 18.3.2 SimHash
- 18.3.3 LSH Banding
- 18.4 乘积量化(PQ)
- 18.4.1 距离计算: SDC与ADC
- 18.4.2 IVFADC框架
- 18.4.3 Faiss中的PQ实现
- 18.5 HNSW
- 18.5.1 HNSW构图过程
- 18.5.2 HNSW查询过程
- 18.5.3 HNSW复杂度与超参数分析
- 18.5.4 Faiss中的HNSW实现
- 18.6 向量检索工具
- 18.7 向量召回系统架构
- 18.8 本章小结
- 18.9 参考文献
- 第 15 章 特征工程
- 第五部分 推荐系统进阶
- 第 19 章 推荐系统偏差问题
- 19.1 推荐偏差问题概述
- 19.2 样本选择偏差
- 19.3 用户群体偏差
- 19.4 混淆偏差
- 19.5 曝光位置偏差
- 19.6 Duration偏差
- 19.7 流行度偏差
- 19.8 样本拼接偏差
- 19.9 工业实践
- 19.10 推荐偏差综合治理
- 19.11 本章小结
- 19.12 参考文献
- 第 20 章 用户兴趣建模
- 20.1 DIN
- 20.2 DIEN
- 20.3 BST
- 20.4 Transformer
- 20.5 SASRec
- 20.6 SIM
- 20.7 CAN
- 20.8 TWIN
- 20.9 本章小结
- 第 21 章 多目标与多场景建模
- 21.1 ESM
- 21.2 AIT
- 21.3 STAR
- 21.4 HOM
- 21.5 多目标梯度冲突问题
- 21.5.1 PCGrad
- 21.5.2 CAGrad
- 21.5.3 GradNorm
- 21.6 本章小结
- 第 22 章 链路一致性建模
- 22.1 粗排链路一致性模型
- 22.2 召回链路一致性模型
- 22.3 HCCP
- 22.4 链路一致性建模讨论
- 22.5 本章小结
- 第 23 章 时长预估建模
- 23.1 基于阈值化定义的时长建模
- 23.1.1 Duration-aware的时长阈值定义
- 23.1.2 基于比例的Duration-aware时长阈值定义
- 23.1.3 基于Duration分桶的经验阈值
- 23.1.4 多个时长阈值的联合建模
- 23.1.5 基于阈值化时长预估的实现案例
- 23.1.6 基于阈值化时长建模的总结
- 23.2 基于加权二分类时长建模
- 23.2.1 Weighted LR的基本原理与时长反解
- 23.2.2 Weighted LR与直接时长回归的对比
- 23.3 基于离散化分桶的时长建模
- 23.3.1 One-Hot与高斯Soft Label时长建模
- 23.3.2 自适应时长分桶与分位点Soft Label建模
- 23.4 经典时长预估建模方法
- 23.4.1 D2Q算法
- 23.4.2 DVR算法
- 23.4.3 D2CO算法
- 23.4.4 OR算法
- 23.4.5 CREAD算法
- 23.4.6 TPM算法
- 23.4.7 EGMN算法
- 23.5 生成式时长预估
- 23.5.1 GR算法
- 23.5.2 FlowTime算法
- 23.6 工业界时长预估实践
- 23.6.1 基于阈值的时长Label定义
- 23.6.2 渐进式分桶与分布型时长Label
- 23.6.3 时长Label设计中的数据分析
- 23.6.4 长尾分布与异常时长处理
- 23.6.5 多维时长信号的联合建模
- 23.6.6 从单点时长预测到分布建模
- 23.6.7 时长预估的持续迭代与实践经验
- 23.7 本章小结
- 23.8 参考文献
- 23.1 基于阈值化定义的时长建模
- 第 24 章 个性化网络参数
- 24.1 个性化网络参数
- 24.2 LUHC
- 24.3 SNet
- 24.4 POSO
- 24.5 PEPNet
- 24.6 参考文献
- 第 25 章 多任务融合
- 25.1 多任务融合概述
- 25.2 模型化寻参
- 25.3 Learn to Rank 模型融合
- 25.4 端到端多目标融合模型
- 25.5 本章小结
- 25.6 参考文献
- 第 26 章 长期价值建模
- 26.1 长期价值定义
- 26.1.1 Delayed Reward
- 26.1.2 Lifetime Value
- 26.2 长期价值建模方法
- 26.3 用户留存优化
- 26.4 本章小结
- 第 27 章 因果推荐
- 27.1 因果动机
- 27.2 推荐偏差与因果
- 27.3 因果图
- 27.4 IPW
- 27.5 Doubly Robust
- 27.6 Counterfactual Learning
- 27.7 OPE
- 27.8 流行度纠偏
- 27.8.1 DICE
- 27.8.2 MACR
- 27.9 Uplift 模型
- 27.10 本章小结
- 第 19 章 推荐系统偏差问题
- 第六部分 强化学习推荐
- 第 28 章 强化学习推荐场景
- 28.1 流量分配与调控
- 28.2 流量降级优化
- 28.3 多任务融合
- 28.4 Session级推荐优化
- 28.5 层次化决策
- 28.6 序列生成优化
- 28.7 个性化探索
- 28.8 强化学习推荐讨论
- 28.9 强化学习推荐的挑战
- 28.10 本章小结
- 第 29 章 强化学习流量调控
- 29.1 Load 调控
- 29.2 广告流量控制
- 29.3 直播流量控制
- 29.4 降级流量优化
- 29.5 本章小结
- 第 30 章 强化学习多目标融合
- 30.1 RL 多目标优化
- 30.2 Reward 设计
- 30.3 Pareto 优化
- 30.4 UNEX-RL
- 30.5 xMTF
- 30.6 Pantheon
- 30.7 工业实践
- 30.8 本章小结
- 30.9 参考文献
- 第 31 章 Session 推荐与层次决策
- 31.1 Session 推荐
- 31.2 Session RL
- 31.3 RLUR
- 31.4 层次强化学习
- 31.5 HRL-Rec
- 31.6 HiFI
- 31.7 工业实践
- 31.8 本章小结
- 第 32 章 重排与混排中的强化学习
- 32.1 DPO、GRPO、DAPO、GSPO
- 32.2 RL Re-ranking
- 32.3 RL Mixed Ranking
- 32.4 序列生成优化
- 32.5 多业务混排优化
- 32.6 本章小结
- 第 33 章 探索与利用
- 33.1 Explore-Exploit 问题
- 33.2 ε-Greedy
- 33.3 UCB
- 33.4 Thompson Sampling
- 33.5 Contextual Bandit
- 33.6 工业界探索策略
- 33.7 本章小结
- 第 28 章 强化学习推荐场景
- 第七部分 多模态与生成式推荐
- 第 34 章 多模态推荐
- 34.1 多模态推荐概述
- 34.2 CLIP、BLIP 与 SigLIP
- 34.3 LXMERT
- 34.4 多模态辅助网络
- 34.5 GIFT
- 34.6 MMBee
- 34.7 QARM
- 34.8 本章小结
- 第 35 章 生成式推荐
- 35.1 生成式召回
- 35.1.1 Diffusion 召回
- 35.1.2 FlowCF 召回
- 35.1.3 TIGER 召回
35.2 一体化召回排序 - 35.2.1 HSTU
- 35.2.2 OneRec
35.3 生成式重排
35.4 生成式时长预估
35.5 本章小结
35.6 参考文献
- 35.1 生成式召回
- 第 34 章 多模态推荐
- 第八部分 推荐系统前沿趋势
- 第 36 章 推荐大模型
- 36.1 MARM
- 36.2 TokenMixer
- 36.3 RankMixer
- 36.4 UniMixer
- 36.5 LONGER
- 36.6 本章小结
- 36.7 参考文献
- 第 37 章 LLM 与 Agent 推荐
- 37.1 LLM 与 Agent 推荐概述
- 37.2 LLM4Rec
- 37.3 RecGPT
- 37.4 TALLRec
- 37.5 Agent4Rec
- 37.6 推荐调参 Agent
- 37.7 检索生成与 AI 搜索
- 37.8 本章小结
- 第 38 章 总结与展望
- 38.1 全书回顾
- 38.2 核心研究方向
- 38.3 前沿展望
- 第 36 章 推荐大模型