[](https://github.com/jhljx/RecSys-Industrial-Book/issues)
[](https://github.com/jhljx/RecSys-Industrial-Book/stargazers)
[](https://github.com/jhljx/RecSys-Industrial-Book/network/members)
[](https://github.com/jhljx/RecSys-Industrial-Book/actions/workflows/traffic-stats.yml)
[](https://github.com/jhljx/RecSys-Industrial-Book/releases)
# RecSys-Industrial-Book
**中文说明** · [English overview](README.en.md) · [静态章节与概念索引](knowledge-map/catalog.html)
**《推荐系统：工业架构与核心算法》开源书稿 + AI-native 学习工作台**
把已发布章节 PDF 作为权威知识源，通过本地优先的 AI Agent 将书稿连接到检索引用、课程学习、复习评估和可运行的推荐系统实践。知识地图帮助定位内容，Agent 帮助读者把内容学会、用起来。
> 面向具备机器学习或推荐基础的研究生、推荐/算法工程师、架构师和技术研究者。零基础读者建议先补机器学习与深度学习基础。书稿和主要学习资料以中文为主。
**搜索与传播**：英文项目介绍见 [English overview](README.en.md)；不依赖 JS 的[章节／概念静态索引](knowledge-map/catalog.html)可逐项进入章节 PDF、概念卡和相关教学代码。站外引用入口、sitemap 提交及实际收录检查见[可发现性与引用指南](docs/discoverability.md)。
**按工程问题直达原书依据**：如何选双塔召回？看[双塔召回的效率与采样取舍](knowledge/concepts/two-tower.md)；ANN 为什么检索质量下降？看[索引选择与版本切换](knowledge/concepts/ann-index.md)；实时特征为何线上仍滞后？看[特征时效性](knowledge/concepts/feature-freshness.md)；依赖超时如何保持可用？看[降级与兜底](knowledge/concepts/fallback.md)。每张卡都区分书中 PDF 页码与额外的工程验证建议，完整章节入口见[静态索引](knowledge-map/catalog.html)。
📖 [站内 PDF 阅读器](knowledge-map/reader.html) · 🗺️ [全书知识地图](knowledge-map/) · 💻 [章节代码讲解](knowledge-map/code.html) · 🤖 [Agent 五分钟开始](knowledge-map/agent.html#start) · 🎓 [12 周课程](learning-paths/new-engineer.md) · 🧭 [章节地图](knowledge/chapters/README.md) · 🧪 [可运行项目](templates/README.md)
**书稿**：持续更新的上下册电子书稿，聚焦工业推荐系统的全链路架构、算法、工程实践与业务权衡；只发布已审阅的章节 PDF，不公开 LaTeX 或正文等价 Markdown。
**AI Agent**：直接基于发布 PDF 建立本地检索索引，提供页码引用、学习路径、练习与工程工作流；无需 MCP 或云端知识库，索引和个人进度保存在本机。
**授权**：个人学习非商用；转载或引用请注明出处。
贡献勘误请阅读[贡献指南](CONTRIBUTING.md)；引用仓库或已发布章节时，请同时核对 [CITATION.cff](CITATION.cff) 与 PDF 文件、页码。教学代码沿用仓库现有许可，商业或生产复用须自行确认授权及实现边界。
## AI Agent 学习工作台：让电子书可检索、可学习、可实践
发布 PDF 是唯一权威正文。Agent 从本地 PDF 索引检索并引用页码；`knowledge/` 提供独立撰写的章节地图、概念卡和前置图谱；`learning-paths/` 提供按证据和反馈运行的课程；`.agents/skills/` 可安装到 Claude Code 等兼容客户端；`templates/` 提供可运行的工业推荐系统练习。无需 MCP 或云端知识库，索引和个人进度都保存在本机且被 Git 忽略。
### 你可以直接做什么
| 能力 | 读者获得什么 | 入口 |
|---|---|---|
| 直接问书与继续追问 | 针对发布 PDF 生成简明回答、页码依据和适用边界；会话保存在本机 | `ask --session`、`navigate` |
| 学习陪练 | 对单元提交物给出具体追问、实践建议与下一步任务，不冒充自动评分 | `coach` |
| 查书与可靠引用 | 检索 22 章发布 PDF，读取命中页并引用 PDF 页码 | `search`、`page`、`eval` |
| 12 周学习课程 | 新人全链路或研究生可信实验路线，按反馈和时间预算生成今日任务 | `course start/today/feedback/status` |
| 证据化掌握 | 用提交物、实际命令输出、主路径、失败路径和测验分数验收；不接受口头“学会了” | `course submit`、`complete` |
| 自适应复习 | 前置满足后推荐下一主题，低分补救，七天后安排回忆、纠错和迁移 | `next`、`course review` |
| 知识图谱与自测 | 输出课程 Mermaid 依赖图，检查检索、引用、学习和复习状态 | `graph`、`self-eval` |
| 工程工作台 | 生成设计契约，评审推荐代码，按证据树排查故障 | `design`、`review`、`debug` |
| 章节代码知识库 | 从各章 `code/README.md` 和真实源码定位方法示例，用于概念讲解或新代码参考；不把代码当 PDF 证据 | `code`、`navigate` |
| 可运行项目 | 演练多路召回、双塔版本契约、特征时序一致性、过载与降级 | [项目目录](templates/README.md) |
| 多客户端 Skills | 安装标准 Agent Skills 到 Claude Code 或其他兼容 Agent | `tools/install_skills.py` |
### 五分钟开始
```bash
# 首次使用或 PDF 更新后
python3 tools/recsys_agent.py index
python3 tools/recsys_agent.py doctor
python3 tools/recsys_agent.py search "Embedding Server 版本一致性"
# 直接问书，续问同一主题，并查看相关概念、代码和代表论文
python3 tools/recsys_agent.py ask "双塔召回的负采样为什么有偏差，书中如何修正？" --session two-tower
python3 tools/recsys_agent.py ask "这种修正有什么适用边界？" --session two-tower
python3 tools/recsys_agent.py navigate --session two-tower
# 定位任意已发布章节 code/ 的示例，供 Agent 读取、讲解或作为新代码参考
python3 tools/recsys_agent.py code "负采样偏差" --chapter 10
python3 tools/recsys_agent.py code "HNSW"
# 若本机 Claude CLI 默认模型不可用，ask 可加 --model <可用模型ID>
# 启动一条会根据时间与反馈调整的完整课程
python3 tools/recsys_agent.py course list
python3 tools/recsys_agent.py course start new-engineer # 或 graduate
python3 tools/recsys_agent.py course today --minutes 90
python3 tools/recsys_agent.py course feedback --message "负采样校正仍不清楚，本周只有 45 分钟"
# 自由主题学习、知识图谱和本地自测
python3 tools/recsys_agent.py learn "双塔召回" --level beginner --minutes 45
python3 tools/recsys_agent.py graph --course new-engineer --output /tmp/recsys-course.mmd
python3 tools/recsys_agent.py self-eval
# 设计、评审与故障诊断
python3 tools/recsys_agent.py design "在线推荐服务" objective=watch_time qps=10000 p99=200ms items=1e8 freshness=5m availability=99.99% cost=bounded
python3 tools/recsys_agent.py review templates/recommendation-pipeline/app.py
python3 tools/recsys_agent.py debug "精排 CTR 突降"
# 安装 canonical Skills（也支持 --client agents|all --target ）
python3 tools/install_skills.py --client claude
```
项目入口：[`knowledge/chapters/`](knowledge/chapters/README.md) 的章节阅读地图、[`knowledge/`](knowledge/README.md) 的概念卡与前置图谱、[`learning-paths/new-engineer.md`](learning-paths/new-engineer.md) 的新人课程、[`learning-paths/graduate.md`](learning-paths/graduate.md) 的研究生课程，以及[四个可运行项目](templates/README.md)。完整命令和引用规则见 [`docs/agent-guide.md`](docs/agent-guide.md)；课程提示词、证据模板、反馈与隐私边界见 [`docs/learning-agent-guide.md`](docs/learning-agent-guide.md)；评测协议见 [`evals/usability.md`](evals/usability.md)。
本地 Agent 可用 `ask --session <名称>` 连续提问，`session-clear` 清理会话，`course today` 按单元提供小任务，`overview` 汇总本地学习状态。知识地图的概念详情提供可复制提问命令；向量索引换代的[教学验证案例](cases/ann-release-checklist.md)演示版本契约与故障拒绝。课程与问答保留原有 CLI 用法；命令细节见 Agent 指南。
### 可视化知识地图
论文导图的人工归属写在 [`knowledge/paper-hierarchy.json`](knowledge/paper-hierarchy.json)：每篇论文在本章只出现一次，归入一个汇总概念；专属方法卡收在论文详情里。新增章节尚未策划层级时，构建器按论文的第一个本章概念生成临时归属，后续应审阅并补入该文件。论文关联的概念卡及 PDF 页码仍以 [`knowledge/paper-map.json`](knowledge/paper-map.json) 为准。
[`knowledge-map/index.html`](knowledge-map/index.html) 是可直接本地打开的静态知识蓝图：五个知识板块汇总 22 章、197 张概念卡、209 条前置依赖，并以独立图谱展示 122 个代表论文方法，连接两条 12 周课程路线。页面只使用仓库公开导航元数据，不发布 PDF 提取文本或个人学习记录。GitHub Pages 当前从 `main` 根目录发布，合并到 `main` 后可访问 [`/RecSys-Industrial-Book/knowledge-map/`](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/)；未合并前请使用本地文件入口。
[`knowledge-map/reader.html`](knowledge-map/reader.html) 是无需构建工具的站内章节 PDF 阅读器，可本地以 `file://` 打开，也可通过 [GitHub Pages](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html) 使用；左侧选择已发布章节、上一章/下一章和 PDF 页码跳转均保持在阅读器内。链接如 `reader.html#ch10&page=60` 可直达第 10 章 PDF 第 60 页。阅读器会向浏览器 PDF 查看器请求默认“适应宽度”（`view=FitH`），并让阅读区域铺满可用列；查看器是否采纳缩放参数取决于浏览器。若浏览器禁用内嵌 PDF 或本地文件预览，可使用页面底部的直接打开/下载链接。
网页中的概念目录可直接使用[知识地图的概念筛选](knowledge-map/#catalog)，完整[本地 Agent 指南](docs/agent-guide.md)在 Pages 上采用与知识地图一致的文档页样式；目录型 README 在 Pages 上使用目录 URL（例如 `/knowledge/`），不要链接不存在的 `README.html`。
知识内容更新后运行 `python3 tools/build_knowledge_map.py` 重建 `knowledge-map/data.js`；新增或修改章节 `code/` 后运行 `python3 tools/build_code_pages.py`，重建 `knowledge-map/code-data.js` 和共用模板渲染的源码 HTML。再运行 `python3 tools/build_search_pages.py`，更新不依赖 JS 的 `knowledge-map/catalog.html`、概念卡 PDF/代码链接及 `sitemap.xml`；运行 `python3 tools/build_readme_status.py` 更新公开发布统计。生成后运行 `python3 -m unittest discover -s tools/tests -v`，并检查公开边界。知识地图在本地 `file://` 将 Jekyll 生成的文档 `.html` 链接切换到仓库中的 `.md` 原文件（浏览器显示 Markdown 原文），Pages 使用排版后的 `.html`。如需在本地预览 Pages 文档排版，见[本地预览说明](docs/local-preview.md)。网页没有服务端、账号或在线 Agent；全文检索和个人进度仍通过本地 CLI。
## 章节源码也是 Agent 的知识来源（但不是正文证据）
四个 `templates/` 提供跨章节端到端项目；已发布章节的 `code/` 提供算法、策略和工程细节的独立示例。Agent 可用 `python3 tools/recsys_agent.py code "<主题>" [--chapter N]` 找到章节 README 与实际源码，再结合 `navigate` 的概念卡和 PDF 页做教学或参考实现；结果的 `page` 是[站内代码讲解页](knowledge-map/code.html)相对地址，页面包括章节说明、源码结构入口和完整源码。`explain` 和 `learn` 也返回相关代码候选。匹配不到时会返回 `not_found`，不会臆造示例。检索仅定位文件、不运行脚本；先检查 README 的依赖与成本，再读实际代码。代码演示、书中 PDF 论断和工程扩展应分别标注。完整流程见 [章节代码 Agent 用法](docs/agent-guide.md#6-让章节-code-成为-agent-的教学与代码参考)。
## Star 趋势
[](https://www.star-history.com/?repos=jhljx%2FRecSys-Industrial-Book&type=date&legend=top-left)
### 内容更新不会漏掉课程
新章节在私有写作仓库完成 LaTeX 和审阅 PDF 后，发布工作流要求同时提交章节地图、经策划的概念卡以及新人/研究生两条课程的单元更新；深入讲解论文方法的章节还应提供论文方法索引。发布器会拒绝缺失课程更新、未知 concept、未覆盖新章节或仍有待定 PDF 页码的发布，再确定性重建知识目录与图谱。因此 `knowledge/`、`knowledge/paper-map.json` 和 `learning-paths/courses.json` 与新章节一同演进，而不是靠事后手工补齐。
## 📚 已发布章节 PDF 阅读入口
> 点击下方章节名称即可快速跳转至对应内容。第 12 章《精排模型》已发布；第 13～14 章尚未发布，不在此表中。
| 章节 | 章节名称 | 快捷链接 |
| :--------- | :----------------------- | :-------- |
| **第 0 章** | 前言 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch0&page=1) |
| **第 1 章** | 推荐系统概述 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch1&page=1) |
| **第 2 章** | 推荐系统架构 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch2&page=1) |
| **第 3 章** | 推荐系统评价体系 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch3&page=1) |
| **第 4 章** | 召回与过滤模块 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch4&page=1) |
| **第 5 章** | 粗排模块 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch5&page=1) |
| **第 6 章** | 精排模块 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch6&page=1) |
| **第 7 章** | 重排模块 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch7&page=1) |
| **第 8 章** | 混排模块 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch8&page=1) |
| **第 9 章** | 生成式推荐模块 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch9&page=1) |
| **第 10 章** | 召回模型 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch10&page=1) |
| **第 11 章** | 粗排模型 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch11&page=1) |
| **第 12 章** | 精排模型 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch12&page=1) |
| **第 15 章** | 特征工程 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch15&page=1) |
| **第 16 章** | 推荐系统离线服务 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch16&page=1) |
| **第 17 章** | 推荐系统在线服务 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch17&page=1) |
| **第 18 章** | 向量检索系统 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch18&page=1) |
| **第 19 章** | 推荐系统偏差问题 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch19&page=1) |
| **第 20 章** | 用户兴趣与序列建模 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch20&page=1) |
| **第 23 章** | 时长预估建模 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch23&page=1) |
| **第 24 章** | 个性化网络参数 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch24&page=1) |
| **第 28 章** | 强化学习推荐场景 | [阅读本章](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch28&page=1) |
---
> 📌 **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
> 以下按公开仓库中已发布的章节 PDF 标注；第 13～14 章仍在写作中。
| 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 章** | 精排模型（传统模型、深度架构、损失函数与实践；[已发布 PDF](ch12%20精排模型/第十二章-精排模型.pdf)） | ✅ **已发布** |
| **第 13 ~ 14 章** | Learning to Rank模型、重排/混排模型 | 🚧 **写作中** |
| **第 15 ~ 18 章** | 上册其余部分（特征工程、推荐系统离线服务、推荐系统在线服务、向量检索系统） | ✅ **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 21 ~ 22 章** | 尚未发布独立章节 PDF | 📋 **未发布** |
| **第 24 章** | 个性化网络参数 | ✅ **已完成** |
| **第 25 ~ 27 章** | 尚未发布独立章节 PDF | 📋 **未发布** |
| **第 28 章** | 强化学习推荐场景 | ✅ **已发布** |
| **第 29 ~ 38 章** | 尚未发布独立章节 PDF | 📋 **未发布** |
**公开发布快照**：22 份章节 PDF（含前言），共 897 个 PDF 页。已发布章节编号：0–12、15–20、23–24、28。这里仅统计仓库公开 PDF，不推断未发布章节的写作进度。
## 全书章节目录
以下保留全书规划目录，最终卷册划分和章节标题以正式发布为准。第 13、14、21–22、25–27、29–38 章尚无公开的独立章节 PDF；第 23、28 章已有公开 PDF。已发布章节入口见上方表格。
- **第一部分 推荐系统基础**
- [**第 1 章 推荐系统概述**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch1&page=1)
- 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch2&page=1)
- 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch3&page=1)
- 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
- **第二部分 推荐系统模块**
- [**第 4 章 召回与过滤模块**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch4&page=1)
- 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch5&page=1)
- 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
- 5.5 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch6&page=1)
- 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch7&page=1)
- 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch8&page=1)
- 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch9&page=1)
- 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
- **第三部分 推荐系统核心算法**
- [**第 10 章 召回模型**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch10&page=1)
- 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
- 10.3 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
- 10.4 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
- 10.5 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
- 10.6 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
- 10.7 召回模型落地讨论
- 10.8 本章小结
- 10.9 参考文献
- [**第 11 章 粗排模型**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch11&page=1)
- 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
- 11.4 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
- [**第 12 章 精排模型**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch12&page=1)
- 12.1 精排模型的发展历程
- 12.1.1 机器学习时代
- 12.1.2 深度学习时代
- 12.1.3 多任务与多目标优化时代
- 12.1.4 推荐大模型时代
- 12.2 精排模型需要解决的核心技术问题
- 12.2.1 特征选择与表示
- 12.2.2 模型结构设计
- 12.2.3 训练与优化
- 12.3 传统精排模型
- 12.3.1 逻辑回归（LR）
- 12.3.2 梯度提升树（GBDT）
- 12.3.3 因子分解机（FM）
- 12.3.4 场感知因子分解机（FFM）
- 12.4 深度精排模型的基础架构
- 12.4.1 显式特征交互与深层表征融合的模型架构
- 12.4.1.1 Wide & Deep模型
- 12.4.1.2 PNN模型
- 12.4.1.3 DeepFM模型
- 12.4.1.4 xDeepFM模型
- 12.4.1.5 DLRM模型
- 12.4.1.6 DeepMCP模型
- 12.4.1.7 DFN模型
- 12.4.2 多任务学习的模型架构
- 12.4.2.1 MMoE模型
- 12.4.2.2 CGC模型与PLE模型
- 12.4.2.3 多任务学习模型架构的总结与讨论
- 12.4.2.3.1 门控网络的训练问题与专家退化
- 12.4.2.3.2 MMoE门控改造方案
- 12.4.2.3.3 MMoE的后续改进方案
- 12.4.3 基于 Transformer 的统一模型架构
- 12.4.3.1 Transformer模型的基本结构
- 12.4.3.2 Self-Attention、多头注意力与目标注意力
- 12.4.3.3 Masked Self-Attention、Transformer Encoder 与 Decoder
- 12.4.3.4 位置编码与 RoPE
- 12.4.3.5 Attention 的改进：稀疏注意力与 FlashAttention
- 12.4.3.6 Transformer 在推荐精排特征交互中的应用
- 12.4.3.7 Transformer与MoE的结合
- 12.4.3.8 DeepSeekMoE：细粒度专家划分与共享专家
- 12.4.3.9 基于 Transformer 的统一精排架构设计与讨论
- 12.5 精排模型的预测目标与损失函数
- 12.5.1 Pointwise Loss
- 12.5.2 Pairwise Loss
- 12.5.3 Listwise Loss
- 12.5.4 不同损失函数的组合与实践对比
- 12.6 精排模型实践案例
- 12.7 精排模型实践讨论
- 12.8 本章小结
- 12.9 参考文献
- **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
- **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
- **第四部分 推荐系统工程实践**
- [**第 15 章 特征工程**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch15&page=1)
- 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
- [**第 16 章 推荐系统离线服务**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch16&page=1)
- 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
- 16.2 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
- 16.3 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
- [**第 17 章 推荐系统在线服务**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch17&page=1)
- 17.1 在线推理架构
- 17.1.1 全链路请求处理流程
- 17.1.2 RPC调用、限流、熔断与兜底链路
- 17.1.3 超时预算分配
- 17.1.4 服务版本管理与灰度发布
- 17.1.5 性能与容量规划
- 17.2 服务监控与稳定性治理
- 17.3 用户侧服务
- 17.3.1 User Info服务
- 17.3.2 用户长期兴趣在线服务
- 17.3.3 近线服务
- 17.4 推荐缓存服务
- 17.4.1 推荐结果缓存服务
- 17.4.2 Preload缓存服务
- 17.4.3 Browse Set缓存服务
- 17.4.4 缓存失效处理
- 17.5 索引在线服务
- 17.5.1 正排索引在线服务
- 17.5.2 倒排索引在线服务
- 17.6 模型在线服务
- 17.6.1 Embedding Server服务
- 17.6.1.1 模型权重与Embedding版本对齐
- 17.6.1.2 冷启ID的兜底处理
- 17.6.1.3 批量查询优化与热更新
- 17.6.2 特征抽取服务
- 17.6.3 TensorRT在线推理服务
- 17.6.4 通用推理优化技术
- 17.6.4.1 Dynamic Batching
- 17.6.4.2 算子融合、图优化与FlashAttention
- 17.6.4.3 量化与知识蒸馏
- 17.6.4.4 多模型混部
- 17.6.5 双塔模型的在线-离线整体框架
- 17.6.6 DNN精排模型的在线-离线整体框架
- 17.6.7 训练与在线服务一致性
- 17.7 本章小结
- [**第 18 章 向量检索系统**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch18&page=1)
- 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
- **第五部分 推荐系统进阶**
- [**第 19 章 推荐系统偏差问题**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch19&page=1)
- 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 用户兴趣与序列建模**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch20&page=1)
- 20.1 基于对比学习的用户行为序列建模
- 20.1.1 InfoNCE对比学习
- 20.1.2 SimCLR对比学习
- 20.1.3 MoCo对比学习
- 20.1.4 SimSiam对比学习
- 20.1.5 基于正负反馈行为序列的对比学习建模
- 20.1.6 基于增广行为序列的对比学习建模
- 20.2 基于Attention的用户行为序列建模
- 20.2.1 DIN模型
- 20.2.2 DIEN模型
- 20.2.3 DSIN模型
- 20.2.4 BST模型
- 20.2.5 TIN模型
- 20.2.6 Attention序列建模的问题与解决方案
- 20.3 基于Memory的用户行为序列建模
- 20.3.1 MIMN模型
- 20.3.2 LMN模型
- 20.4 基于召回检索的用户行为序列建模
- 20.4.1 SIM模型
- 20.4.2 TWIN模型
- 20.4.3 TWIN-V2模型
- 20.4.4 MIRRN模型
- 20.4.5 FIM模型
- 20.4.6 LCN模型
- 20.4.7 LCN模型的后续应用
- 20.5 基于哈希的用户行为序列建模
- 20.5.1 Reformer模型
- 20.5.2 ETA与ETA-NET模型
- 20.5.3 SDIM模型
- 20.6 基于多模态信息的用户行为序列建模
- 20.6.1 多模态SIM模型
- 20.6.2 PSRQ模型
- 20.6.3 MISS模型
- 20.6.4 MUSE模型
- 20.7 基于时序图的用户行为序列建模
- 20.7.1 DisenCTR模型
- 20.7.2 CoFARS模型
- 20.8 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**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch23&page=1)
- 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
- [**第 24 章 个性化网络参数**](ch24%20个性化网络参数/第二十四章-个性化网络参数.pdf)
- 24.1 POSO模型
- 24.1.1 问题背景与核心思想
- 24.1.2 POSO的模块设计
- 24.1.2.1 POSO (MLP)模块
- 24.1.2.2 POSO (MHA)模块
- 24.1.2.3 POSO (MMoE)模块
- 24.1.3 POSO在冷启动场景中的应用
- 24.2 APG模型
- 24.2.1 原始APG与条件设计
- 24.2.2 高效APG结构与复杂度优化
- 24.3 PEPNet模型
- 24.3.1 门控神经单元
- 24.3.2 Embedding个性化网络（EPNet）
- 24.3.3 参数个性化网络（PPNet）
- 24.3.4 工业部署与工程优化
- 24.4 APPNet模型
- 24.4.1 自动特征划分模块（AFP）
- 24.4.1.1 Feature-wise AFP模块
- 24.4.1.2 Bit-wise AFP模块
- 24.4.2 参数个性化网络（PPNet）
- 24.4.3 全空间多任务学习目标
- 24.5 本章小结
- 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
- **第六部分 强化学习推荐**
- [**第 28 章 强化学习推荐场景**](https://jhljx.github.io/RecSys-Industrial-Book/knowledge-map/reader.html#ch28&page=1)
- 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
- **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
## 作者与联系
欢迎关注小红书账号：
