正版新书]信息流推荐算法赵争超,黄帆 著9787111754428

目    录<br /><br />推荐序<br />前言<br /><br />第1章  信息流产品与推荐算法1  <br />1.1  什么是信息流产品1<br />1.2  信息流产品对用户体验和商业价值的重塑3<br />1.2.1  信息流产品下的用户体验3<br />1.2.2  商业价值的重塑6<br />1.2.3  用户体验及商业价值总结8<br />1.3  信息流产品推荐系统的构成8<br />1.3.1  推荐算法基线9<br />1.3.2  推荐算法的生态建设14<br />1.4  本章小结16<br />参考文献16<br /><br />第2章  业务数据探索：推荐算法闭环的起点与终点18  <br />2.1  产品运营分析19<br />2.1.1  系统性分析19<br />2.1.2  周期性分析23<br />2.2  用户画像分析24<br />2.2.1  用户画像构建的基本方法25<br />2.2.2  用户画像之价值分层与生命周期管理26<br />2.2.3  用户画像的质量保障30<br />2.3  用户行为路径分析32<br />2.4  本章小结34<br />参考文献35<br /><br />第3章  可插拔式的召回算法36  <br />3.1  召回侧的业务目标和技术方向36<br />3.2  协同过滤召回38<br />3.2.1  User-based CF38<br />3.2.2  Item-based CF40<br />3.2.3  Item-based CF与User-based CF的对比与改进41<br />3.2.4  Model-based CF43<br />3.3  用户和物品的向量化表示学习48<br />3.3.1  从Word2vec到Item2vec48<br />3.3.2  YouTube DNN54<br />3.3.3  DSSM57<br />3.4  基于图模型的召回建模63<br />3.4.1  SimRank63<br />3.4.2  DeepWalk66<br />3.4.3  LINE68<br />3.4.4  Node2vec70<br />3.4.5  EGES73<br />3.5  用户行为序列召回建模75<br />3.5.1  序列建模的通用算法模块75<br />3.5.2  用户多兴趣建模84<br />3.5.3  序列建模总结91<br />3.6  本章小结93<br />参考文献94<br /><br />第4章  粗排算法97  <br />4.1  粗排的定位和重要性思考97<br />4.2  前深度学习时代的粗排98<br />4.2.1  非个性化离线评估模型98<br />4.2.2  浅层个性化模型104<br />4.3  深度粗排模型的重要方法106<br />4.3.1  基于向量内积的双塔模型106<br />4.3.2  基于精排模型的知识蒸馏111<br />4.3.3  COLD粗排架构117<br />4.4  粗排建模的重要问题120<br />4.4.1  样本选择策略120<br />4.4.2  粗精排一致性校验123<br />4.5  本章小结125<br />参考文献125<br /><br />第5章  精排算法127  <br />5.1  精排算法的核心目标和概要127<br />5.2  前深度学习时代的精排算法128<br />5.2.1  LR128<br />5.2.2  FM131<br />5.2.3  GBDT136<br />5.3  深度精排算法137<br />5.3.1  Wide & Deep138<br />5.3.2  DeepFM139<br />5.3.3  DIN140<br />5.3.4  DIEN144<br />5.3.5  DSIN146<br />5.3.6  SIM149<br />5.4  在线学习152<br />5.4.1  在线学习的基本概念152<br />5.4.2  在线学习算法框架：FTRL153<br />5.5  多任务学习156<br />5.5.1  MMoE157<br />5.5.2  ESMM158<br />5.5.3  PLE159<br />5.5.4  MFH162<br />5.5.5  MVKE164<br />5.6  本章小结170<br />参考文献170<br /><br />第6章  多目标融合算法173<br />6.1  多目标融合的意义173<br />6.2  启发式多目标融合173<br />6.2.1  Grid Search174<br />6.2.2  Random Search175<br />6.2.3  搜参实践175<br />6.3  贝叶斯优化176<br />6.3.1  概率代理模型177<br />6.3.2  采集函数178<br />6.3.3  贝叶斯搜参实践179<br />6.4  进化策略179<br />6.4.1  进化算法的相关概念179<br />6.4.2  基于OpenAI ES的进化策略实践185<br />6.5  强化学习186<br />6.5.1  强化学习的核心概念187<br />6.5.2  强化学习的多目标融合实践189<br />6.6  本章小结194<br />参考文献194<br /><br />第7章  重排算法196  <br />7.1  重排算法概要及核心目标196<br />7.2  多样性算法之启发式方法196<br />7.2.1  MMR197<br />7.2.2  MLR197<br />7.2.3  DPP198<br />7.3  多样性算法之list-wise建模200<br />7.3.1  DLCM200<br />7.3.2  PRM205<br />7.3.3  Seq2Slate208<br />7.3.4  GRN212<br />7.3.5  PRS217<br />7.4  端云一体协同推荐221<br />7.4.1  EdgeRec221<br />7.4.2  DCCL227<br />7.5  本章小结232<br />参考文献232<br /><br />第8章  推荐建模中的数据预处理和模型后处理234  <br />8.1  评分矩阵构建234<br />8.2  特征工程239<br />8.2.1  特征的提取与加工239<br />8.2.2  特征重要性分析244<br />8.3  模型校准248<br />8.4  本章小结250<br />参考文献250<br /><br />第9章  信息流推荐中的经典业务问题应对252  <br />9.1  关于信息茧房252<br />9.2  关于保量策略255<br />9.3  内容与用户冷启动256<br />9.3.1  DropoutNet256<br />9.3.2  MWUF258<br />9.3.3  LinUCB261<br />9.3.4  Cold & Warm Net263<br />9.4  偏置与消偏266<br />9.4.1  偏置分析267<br />9.4.2  消偏：用户选择偏置269<br />9.4.3  消偏：曝光偏置269<br />9.4.4  消偏：群体一致性偏置270<br />9.4.5  消偏：位置偏置270<br />9.4.6  消偏：流行度偏置273<br />9.5  正向行为定义279<br />9.6  本章小结280<br />参考文献281<br /><br />第10章  信息流推荐算法的评估与改进283  <br />10.1  宏观视角下的推荐效果评估283<br />10.2  微观视角下的推荐效果评估287<br />10.2.1  推荐效果评估流程287<br />10.2.2  离线评估指标体系289<br />10.3  A/B测试的实验机制设计296<br />10.3.1  A/B测试的基本概念及必要性296<br />10.3.2  A/B测试的实验设计和效果分析298<br />10.3.3  A/B测试与Interleaving305<br />10.4  本章小结307<br />参考文献307<br /><br />第11章  总结与展望308  <br />11.1  推荐算法的重要挑战308<br />11.2  论推荐算法工程师的自我修养312<br />11.3  本章小结317<br />参考文献317<br /><br />后记318

深耕一线互联网平台多年的两位作者精心总结：<br>
全链路、全方位，深入剖析推荐算法细节<br>
讲理论、重实践，聚焦关键业务问题解法