Skillget

RecSys-Industrial-Book

agent
Guvenlik Denetimi
Gecti
Health Gecti
  • License — License: NOASSERTION
  • Description — Repository has a description
  • Active repo — Last push 0 days ago
  • Community trust — 458 GitHub stars
Code Gecti
  • Code scan — Scanned 12 files during light audit, no dangerous patterns found
Permissions Gecti
  • Permissions — No dangerous permissions requested

Bu listing icin henuz AI raporu yok.

SUMMARY

《推荐系统：工业架构与核心算法》开源书稿

README.md

GitHub issues
GitHub stars
GitHub forks
PDF downloads
知识共享许可协议

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、docs/agent-guide.md；按学习反馈运行 12 周课程见 docs/learning-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：把电子书变成可执行的推荐系统知识库

发布 PDF 是唯一权威正文；knowledge/ 提供独立撰写的章节地图、概念卡和前置图谱；learning-paths/ 提供证据化课程；.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，索引和个人进度都只保存在本机且被 Git 忽略。

你可以直接做什么

能力 读者获得什么 入口
查书与可靠引用 混合检索 19 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
可运行项目 演练多路召回、双塔 ANN、特征时序一致性、过载与降级 templates/
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

# 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"

# 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 <repo>）
python3 tools/install_skills.py --client claude

项目入口：knowledge/chapters/ 的章节阅读地图、knowledge/ 的概念卡与前置图谱、learning-paths/new-engineer.md 的新人课程、learning-paths/graduate.md 的研究生课程，以及 templates/ 的四个可运行项目。完整命令和引用规则见 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；评测协议见 evals/usability.md。

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、1–3 张概念卡以及新人/研究生两条课程的单元更新。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/、concepts 和 learning-paths/courses.json 与新章节一同演进，而不是靠事后手工补齐。

社交媒体

以下是我的小红书账号，欢迎大家关注我！

小红书账号

Star趋势

Star History Chart

📚 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 17 章 推荐系统在线服务 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 ~ 14 章 精排模型、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 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 80% 完稿，全册约 50% 完稿（已完稿约 650 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
  • 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
      • 5.5 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
      • 10.3 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
      • 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
      • 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
    • 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
      • 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
      • 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
      • 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
      • 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
      • 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
    • 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

Yorumlar (0)

Sonuc bulunamadi