信息流推荐算法电子书

前折页

书名页

推荐序

推荐者简介

前言

第1章 信息流产品与推荐算法

1.1 什么是信息流产品

1.2 信息流产品对用户体验和商业价值的重塑

1.2.1 信息流产品下的用户体验

1.2.2 商业价值的重塑

1.2.3 用户体验及商业价值总结

1.3 信息流产品推荐系统的构成

1.3.1 推荐算法基线

1.3.2 推荐算法的生态建设

1.4 本章小结

参考文献

第2章 业务数据探索：推荐算法闭环的起点与终点

2.1 产品运营分析

2.1.1 系统性分析

2.1.2 周期性分析

2.2 用户画像分析

2.2.1 用户画像构建的基本方法

2.2.2 用户画像之价值分层与生命周期管理

2.2.3 用户画像的质量保障

2.3 用户行为路径分析

2.4 本章小结

参考文献

第3章 可插拔式的召回算法

3.1 召回侧的业务目标和技术方向

3.2 协同过滤召回

3.2.1 User-based CF

3.2.2 Item-based CF

3.2.3 Item-based CF与User-based CF的对比与改进

3.2.4 Model-based CF

3.3 用户和物品的向量化表示学习

3.3.1 从Word2vec到Item2vec

3.3.2 YouTube DNN

3.3.3 DSSM

3.4 基于图模型的召回建模

3.4.1 SimRank

3.4.2 DeepWalk

3.4.3 LINE

3.4.4 Node2vec

3.4.5 EGES

3.5 用户行为序列召回建模

3.5.1 序列建模的通用算法模块

3.5.2 用户多兴趣建模

3.5.3 序列建模总结

3.6 本章小结

参考文献

第4章 粗排算法

4.1 粗排的定位和重要性思考

4.2 前深度学习时代的粗排

4.2.1 非个性化离线评估模型

4.2.2 浅层个性化模型

4.3 深度粗排模型的重要方法

4.3.1 基于向量内积的双塔模型

4.3.2 基于精排模型的知识蒸馏

4.3.3 COLD粗排架构

4.4 粗排建模的重要问题

4.4.1 样本选择策略

4.4.2 粗精排一致性校验

4.5 本章小结

参考文献

第5章 精排算法

5.1 精排算法的核心目标和概要

5.2 前深度学习时代的精排算法

5.2.1 LR

5.2.2 FM

5.2.3 GBDT

5.3 深度精排算法

5.3.1 Wide & Deep

5.3.2 DeepFM

5.3.3 DIN

5.3.4 DIEN

5.3.5 DSIN

5.3.6 SIM

5.4 在线学习

5.4.1 在线学习的基本概念

5.4.2 在线学习算法框架：FTRL

5.5 多任务学习

5.5.1 MMoE

5.5.2 ESMM

5.5.3 PLE

5.5.4 MFH

5.5.5 MVKE

5.6 本章小结

参考文献

第6章 多目标融合算法

6.1 多目标融合的意义

6.2 启发式多目标融合

6.2.1 Grid Search

6.2.2 Random Search

6.2.3 搜参实践

6.3 贝叶斯优化

6.3.1 概率代理模型

6.3.2 采集函数

6.3.3 贝叶斯搜参实践

6.4 进化策略

6.4.1 进化算法的相关概念

6.4.2 基于OpenAI ES的进化策略实践

6.5 强化学习

6.5.1 强化学习的核心概念

6.5.2 强化学习的多目标融合实践

6.6 本章小结

参考文献

第7章 重排算法

7.1 重排算法概要及核心目标

7.2 多样性算法之启发式方法

7.2.1 MMR

7.2.2 MLR

7.2.3 DPP

7.3 多样性算法之list-wise建模

7.3.1 DLCM

7.3.2 PRM

7.3.3 Seq2Slate

7.3.4 GRN

7.3.5 PRS

7.4 端云一体协同推荐

7.4.1 EdgeRec

7.4.2 DCCL

7.5 本章小结

参考文献

第8章 推荐建模中的数据预处理和模型后处理

8.1 评分矩阵构建

8.2 特征工程

8.2.1 特征的提取与加工

8.2.2 特征重要性分析

8.3 模型校准

8.4 本章小结

参考文献

第9章 信息流推荐中的经典业务问题应对

9.1 关于信息茧房

9.2 关于保量策略

9.3 内容与用户冷启动

9.3.1 DropoutNet

9.3.2 MWUF

9.3.3 LinUCB

9.3.4 Cold & Warm Net

9.4 偏置与消偏

9.4.1 偏置分析

9.4.2 消偏：用户选择偏置

9.4.3 消偏：曝光偏置

9.4.4 消偏：群体一致性偏置

9.4.5 消偏：位置偏置

9.4.6 消偏：流行度偏置

9.5 正向行为定义

9.6 本章小结

参考文献

第10章 信息流推荐算法的评估与改进

10.1 宏观视角下的推荐效果评估

10.2 微观视角下的推荐效果评估

10.2.1 推荐效果评估流程

10.2.2 离线评估指标体系

10.3 A/B测试的实验机制设计

10.3.1 A/B测试的基本概念及必要性

10.3.2 A/B测试的实验设计和效果分析

10.3.3 A/B测试与Interleaving

10.4 本章小结

参考文献

第11章 总结与展望

11.1 推荐算法的重要挑战

11.2 论推荐算法工程师的自我修养

11.3 本章小结

参考文献

后记

后折页