Skip to content
Projekte

jhljx/RecSys-Industrial-Book

Auf GitHub ansehen

jhljx/RecSys-Industrial-Book has 496 GitHub stars and 34 forks. GitHot measured 0 stars in 24 hours and +9 in 7 days. Last checked 2026-11-13 01:44 UTC. Last push 2026-11-05.

So werden diese Zahlen gemessen

《推荐系统：工业架构与核心算法》AI Native 书稿｜章节 PDF、知识地图与本地学习 Agent， 网址：https://jhljx.github.io/RecSys-Industrial-Book/

496 Sterne34 forks

Gemessener Sternzuwachs

in 24h
0
in 7 days
+9
in 15 days
Aktualisierung verzögert
in 1 month
Aktualisierung verzögert

Nettoänderungen in überlappenden Zeiträumen, keine Tagessummen. Fehlende Messwerte bleiben leer. Sterne zeigen Interesse, nicht Qualität.

README.md

Original

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

RecSys-Industrial-Book

中文说明 · English overview · 静态章节与概念索引

《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；不依赖 JS 的章节／概念静态索引可逐项进入章节 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。

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；ANN 为什么检索质量下降？看索引选择与版本切换；实时特征为何线上仍滞后？看特征时效性；依赖超时如何保持可用？看降级与兜底。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。

📖 站内 PDF 阅读器 · 🗺️ 全书知识地图 · 💻 章节代码讲解 · 🤖 Agent 五分钟开始 · 🎓 12 周课程 · 🧭 章节地图 · 🧪 可运行项目

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；引用仓库或已发布章节时，请同时核对 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 20 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
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"

# 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 <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。

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

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 20 章、97 张概念卡、104 条前置依赖，并以独立图谱展示 90 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/；未合并前请使用本地文件入口。

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 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，完整本地 Agent 指南在 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。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。

Star 趋势

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
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 12 章 精排模型 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） ✅ 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 20 ~ 22 章 尚未发布独立章节 PDF 📋 未发布
第 24 ~ 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：20 份章节 PDF（含前言），共 792 个 PDF 页。已发布章节编号：0–12、15–19、23、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、20–22、24–27、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。

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、20–22、24–27、29–38 章尚无公开的独立章节 PDF；第 23、28 章已有公开 PDF。

  • 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 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
      • 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

作者与联系

欢迎关注小红书账号：

小红书账号

Ähnliche Projekte entdecken

tensorflow/tensorflow

Ein Open-Source-Framework für maschinelles Lernen für alle

201,584 Sterne

huggingface/transformers

🤗 Transformers: das Framework zur Modelldefinition für State-of-the-Art-Modelle des maschinellen Lernens in Text, Vision, Audio und multimodal, für Inferenz und Training.

168,943 Sterne

AUTOMATIC1111/stable-diffusion-webui

Web-UI für Stable Diffusion

165,303 Sterne

Comfy-Org/ComfyUI

Die leistungsstärkste und modularste GUI, API und das Backend für Diffusionsmodelle mit einer Oberfläche aus Graphen und Knoten. Die schnellste lokale Inferenz-Engine der Welt.

146,622 Sterne