●前言
第一篇 推薦繫統基礎認知
第1章 推薦繫統介紹
1.1 推薦繫統產生的背景
1.2 推薦繫統解決什麼問題
1.3 推薦繫統的應用領域
1.4 推薦繫統的定義
1.5 常用的推薦算法
1.5.1 基於內容的推薦
1.5.2 協同過濾
1.5.3 基於模型的推薦
1.5.4 基於社交關繫的推薦
1.6 構建推薦繫統的阻礙與挑戰
1.7 推薦繫統的價值
1.8 本章小結
第二篇 推薦繫統基礎算法
第2章 推薦算法基礎
2.1 推薦繫統範式
2.2 推薦算法3階段pipeline架構
2.3 推薦召回算法
2.3.1 接近非個性化範式
2.3.2 接近個性化範式
2.3.3 群組個性化範式
2.3.4 標的物關聯標的物範式
2.3.5 笛卡兒積範式
2.4 排序算法
2.4.1 logistic回歸模型
2.4.2 GBDT模型
2.4.3 Wide & Deep模型
2.5 推薦算法落地需要關注的幾個問題
2.5.1 推薦算法工程落地一定要用到排序模塊嗎
2.5.2 推薦算法服務於用戶的兩種形式
2.5.3 推薦繫統評估
2.6 本章小結
第3章 基於內容的推薦算法
3.1 什麼是基於內容的推薦算法
3.2 基於內容的推薦算法的實現原理
3.2.1 基於用戶和標的物特征為用戶推薦的核心思想
3.2.2 構建用戶特征表示
3.2.3 構建標的物特征表示
3.2.4 為用戶做個性化推薦
3.3 基於內容的推薦算法應用場景
3.4 基於內容的推薦算法的優缺點
3.4.1 優點
3.4.2 缺點
3.5 基於內容的推薦算法落地需要關注的問題
3.5.1 內容來源的獲取
3.5.2 怎麼利用負向反饋
3.5.3 興趣隨時間變化
3.5.4 數據清洗
3.5.5 加速計算與資源
3.5.6 解決基於內容的推薦越推越窄的問題
3.5.7 工程落地技術選型
3.5.8 業務的安全性
3.6 本章小結
第4章 協同過濾推薦算法
4.1 協同過濾思想簡介
4.2 協同過濾算法原理介紹
4.2.1 基於用戶的協同過濾
4.2.2 基於標的物的協同過濾
4.3 離線協同過濾算法的工程實現
4.3.1 計算topN相似度
4.3.2 為用戶生成推薦
4.4 近實時協同過濾算法的工程實現
4.4.1 獲取用戶在一個時間窗口內的行為
4.4.2 基於用戶行為記錄更新標的物關聯表CR
4.4.3 更新用戶的行為記錄HBase表：UAction
4.4.4 為用戶生成個性化推薦
4.5 協同過濾算法的應用場景
4.5.1 接近個性化推薦
4.5.2 標的物關聯標的物推薦
4.5.3 其他應用形式及場景
4.6 協同過濾算法的優缺點
4.6.1 優點
4.6.2 缺點
4.7 協同過濾算法落地到業務場景需要關注的問題
4.7.1 兩種協同過濾算法的選擇
4.7.2 對時間加權
4.7.3 關於用戶對標的物的評分
4.7.4 相似度計算
4.7.5 冷啟動問題
4.8 本章小結
第5章 基於樸素ML思想的協同過濾算法
5.1 基於關聯規則的推薦算法
5.2 基於樸素貝葉斯的推薦算法
5.3 基於聚類的推薦算法
5.3.1 基於用戶聚類的推薦
5.3.2 基於標的物聚類的推薦
5.4 YouTube基於關聯規則思路的視頻推薦算法
5.4.1 計算兩個視頻的相似度（關聯度）
5.4.2 基於單個種子視頻生成候選視頻集
5.4.3 基於用戶行為為用戶生成推薦候選集
5.4.4 推薦結果排序
5.5 Google News基於貝葉斯框架的推薦算法
5.5.1 基於用戶過去的行為來分析用戶的興趣點
5.5.2 利用貝葉斯框架來建模用戶的興趣
5.5.3 為用戶做個性化推薦
5.6 Google News基於用戶聚類的推薦算法
5.6.1 基於MinHash聚類
5.6.2 基於聚類為用戶做推薦
5.7 本章小結
第6章 矩陣分解推薦算法
6.1 矩陣分解推薦算法的核心思想
6.2 矩陣分解推薦算法的算法原理
6.3 矩陣分解推薦算法的求解方法
6.3.1 利用SGD來求解矩陣分解
6.3.2 利用ALS來求解矩陣分解
6.4 矩陣分解推薦算法的拓展與優化
6.4.1 整合偏差項
6.4.2 增加更多的用戶信息輸入
6.4.3 整合時間因素
6.4.4 整合用戶對評分的置信度
6.4.5 隱式反饋
6.4.6 整合用戶和標的物metadata信息
6.5 近實時矩陣分解算法
6.5.1 算法原理
6.5.2 工程實現
6.6 矩陣分解算法的應用場景
6.6.1 應用於接近個性化推薦場景
6.6.2 應用於標的物關聯標的物場景
6.6.3 應用於用戶及標的物聚類
6.6.4 應用於群組個性化場景
6.7 矩陣分解算法的優缺點
6.7.1 優點
6.7.2 缺點
6.8 本章小結
第7章 因子分解機
7.1 分解機簡單介紹
7.2 分解機參數預估與模型價值
7.2.1 分解機在稀疏場景下的參數估計
7.2.2 分解機的計算復雜度
7.2.3 分解機模型求解
7.2.4 模型預測
7.3 分解機與其他模型的關繫
7.3.1 FM與矩陣分解的聯繫
7.3.2 FM與SVM的聯繫
7.4 分解機的工程實現
7.5 分解機的拓展
7.5.1 高階分解機
7.5.2 FFM
7.5.3 DeepFM
7.6 近實時分解機
7.7 分解機在推薦繫統上的應用
7.7.1 用戶與標的物的交互行為信息
7.7.2 用戶相關信息
7.7.3 標的物相關信息
7.7.4 上下文信息
7.8 分解機的優勢
7.9 本章小結
第三篇 推薦繫統進階算法
第8章 推薦繫統冷啟動
8.1 冷啟動的概念
8.2 解決冷啟動面臨的挑戰
8.3 解決冷啟動的重要性
8.4 解決冷啟動的方法和策略
8.4.1 用戶冷啟動
8.4.2 標的物冷啟動
8.4.3 繫統冷啟動
8.4.4 新的視角看冷啟動
8.5 不同推薦產品形態解決冷啟動的方案
8.6 設計冷啟動需要注意的問題
8.7 冷啟動的未來發展趨勢
8.8 本章小結
第9章 嵌入方法在推薦繫統中的應用
9.1 嵌入方法簡介
9.2 嵌入方法應用於推薦繫統的一般思路
9.2.1 學習標的物的嵌入表示
9.2.2 同時學習用戶和標的物的嵌入表示
9.3 用於推薦繫統的嵌入方法的算法原理介紹
9.3.1 基於矩陣分解的嵌入
9.3.2 基於Word2vec的嵌入
9.3.3 基於有向圖的嵌入
9.3.4 基於深度神經網絡的嵌入
9.4 嵌入方法在推薦繫統中的應用案例介紹
9.4.1 利用矩陣分解嵌入做推薦
9.4.2 利用Item2vec獲得標的物的嵌入做推薦
9.4.3 阿裡盒馬的聯合嵌入推薦模型
9.4.4 淘寶基於圖嵌入的推薦算法
9.4.5 整合標的物多種信息的Content2vec模型
9.5 利用嵌入方法解決冷啟動問題
9.5.1 通過ID間的結構連接關繫及特征遷移解決冷啟動問題
9.5.2 通過圖片、文本內容嵌入解決冷啟動問題
9.6 本章小結
第10章 深度學習在推薦繫統中的應用
10.1 深度學習介紹
10.2 利用深度學習技術構建推薦繫統的方法和思路
10.2.1 從推薦繫統中使用的深度學習技術角度看
10.2.2 從推薦繫統的預測目標角度看
10.2.3 從推薦算法的歸類角度看
10.3 工業界幾個經典深度學習推薦算法介紹
10.3.1 YouTube的深度學習推薦繫統
10.3.2 Google的Wide & Deep深度學習推薦模型
10.3.3 阿裡基於興趣樹的深度學習推薦算法
10.3.4 Google的神經網絡協同過濾深度學習推薦算法
10.4 開源深度學習框架 & 推薦算法
10.4.1 TensorFlow（Keras）
10.4.2 PyTorch（Caffe）
10.4.3 MxNet
10.4.4 DeepLearning4j
10.4.5 百度的PaddlePaddle
10.4.6 騰訊的Angel
10.4.7 微軟開源的推薦算法庫recommenders
10.5 深度學習技術應用於推薦繫統的優缺點及挑戰
10.5.1 優點
10.5.2 缺點與挑戰
10.6 深度學習推薦繫統工程實施建議
10.6.1 深度學習的效果真的有那麼好嗎
10.6.2 團隊是否適合引入深度學習推薦技術
10.6.3 打通深度學習相關技術棧與團隊現有技術棧
10.6.4 從經典成熟的模型與跟公司業務接近的模型著手
10.7 深度學習推薦繫統的未來發展
10.7.1 算法模型維度
10.7.2 工程維度
10.7.3 應用場景維度
10.7.4 數據維度
10.7.5 產品呈現與交互維度
10.8 本章小結
第11章 混合推薦繫統介紹
11.1 什麼是混合推薦繫統
11.2 混合推薦繫統的價值
11.2.1 冷啟動問題
11.2.2 數據稀疏性問題
11.2.3 馬太效應
11.2.4 灰羊效應
11.2.5 投資組合效應
11.2.6 穩定性/可塑性問題
11.3 混合推薦繫統的實現方案
11.3.1 單體的混合範式
11.3.2 並行的混合範式
11.3.3 流水線混合範式
11.4 工業級推薦繫統與混合推薦
11.4.1 實時推薦繫統與混合推薦
11.4.2 深度學習等復雜推薦模型整合多數據源和多模型
11.4.3 特殊情況下的處理策略
11.4.4 推薦數量不足的增補
11.4.5 通過混合策略解決用戶冷啟動
11.5 對混合推薦繫統的思考
11.5.1 整合實時推薦中用戶的短期和長期興趣
11.5.2 利用單個復雜模型建模多源信息
11.5.3 多源的標的物混合
11.5.4 家庭場景中多人興趣的混合推薦
11.5.5 用戶在多APP場景下行為的混合
11.5.6 用戶多狀態（場景）的融合推薦
11.6 本章小結
第12章 構建可解釋性推薦繫統
12.1 可解釋性推薦繫統簡介
12.1.1 什麼是推薦解釋
12.1.2 推薦解釋的價值
12.1.3 互聯網推薦產品的推薦解釋模型
12.1.4 推薦解釋的形式
12.1.5 推薦解釋的現狀
12.2 構建可解釋性推薦繫統的方法
12.2.1 基於用戶關繫來做推薦解釋
12.2.2 基於標的物相似關繫來做推薦解釋
12.2.3 基於標簽來做推薦解釋
12.2.4 其他推薦解釋方式
12.3 常用工業級推薦產品的推薦解釋
12.3.1 接近個性化範式的推薦解釋
12.3.2 標的物關聯標的物範式的推薦解釋
12.3.3 其他推薦範式的推薦解釋
12.4 做好推薦解釋需要關注的幾個問題
12.5 構建可解釋性推薦繫統面臨的挑戰與機遇
12.5.1 混合推薦算法讓推薦解釋更加困難
12.5.2 設計實時個性化推薦解釋面臨的技術挑戰
12.5.3 企業管理者/數據產品經理更關注精準度而不是解釋性
12.5.4 黑盒推薦算法很難解釋
12.5.5 普適的推薦解釋框架
12.5.6 利用知識圖譜做解釋
12.5.7 生成對話式解釋
12.6 本章小結
第四篇 推薦繫統評估與價值
第13章 推薦繫統的評估
13.1 推薦繫統評估的目的
13.2 評估推薦繫統的常用指標
13.2.1 用戶的維度
13.2.2 平臺方的維度
13.2.3 推薦繫統自身的維度
13.2.4 標的物提供方的維度
13.3 推薦繫統的評估方法
13.3.1 離線評估
13.3.2 在線評估第一階段
13.3.3 在線評估第二階段
13.3.4 主觀評估
13.4 推薦繫統評估需要關注的問題
13.5 本章小結
第14章 推薦繫統的商業價值
14.1 為什麼要關注推薦繫統的商業價值
14.2 衡量推薦繫統商業價值的維度
14.2.1 廣告變現
14.2.2 電商變現
14.2.3 增值服務變現
14.2.4 用戶增長
14.2.5 成本及效率提升
14.3 量化推薦繫統商業價值的思路和方法
14.3.1 提升廣告的曝光與轉化
14.3.2 促進標的物提供方（即商家）生態繁榮
14.3.3 促進標的物售賣，獲取更多經濟收益
14.3.4 提升會員的轉化與留存
14.3.5 提升用戶留存率、活躍度和停留時長
14.3.6 人力成本
14.3.7 提升內容分發效率
14.4 提升推薦繫統商業價值需要關注的問題及建議
14.5 本章小結
第五篇 推薦繫統工程實現
第15章 推薦繫統之數據與特征工程
15.1 推薦算法建模的一般流程
15.2 推薦繫統依賴的數據源介紹
15.2.1 根據數據來源來劃分
15.2.2 根據數據載體來劃分
15.2.3 根據數據組織形式來劃分
15.3 數據處理與特征工程簡介
15.3.1 數據生成
15.3.2 數據預處理
15.3.3 特征工程
15.4 常用推薦算法之數據與特征工程
15.4.1 排行榜推薦
15.4.2 標的物關聯標的物推薦
15.4.3 個性化推薦
15.5 推薦繫統數據與特征工程的未來趨勢
15.5.1 融合更多的數據源來構建更復雜的推薦模型
15.5.2 深度學習等復雜技術可減少人工特征工程的投入
15.5.3 實時數據處理與實時特征工程
15.5.4 自動化特征工程
15.6 本章小結
第16章 推薦繫統的工程實現
16.1 推薦繫統與大數據
16.2 推薦繫統業務流及核心模塊
16.2.1 數據收集模塊
16.2.2 ETL模塊
16.2.3 特征工程模塊
16.2.4 推薦算法模塊
16.2.5 推薦結果存儲模塊
16.2.6 Web服務模塊
16.3 推薦繫統支撐模塊
16.3.1 評估模塊
16.3.2 調度模塊
16.3.3 監控模塊
16.3.4 審查模塊
16.4 推薦繫統架構設計
16.5 推薦繫統工程實現的設計哲學
16.5.1 什麼是好的推薦繫統工程實現
16.5.2 推薦繫統工程實現的原則
16.5.3 怎樣設計好的推薦繫統工程架構
16.6 近實時個性化推薦
16.7 推薦繫統業務落地需要關注的問題
16.8 推薦繫統的技術選型
16.9 推薦繫統工程的未來發展
16.10 本章小結
第17章 AB測試平臺的工程實現
17.1 什麼是AB測試
17.2 AB測試的價值
17.3 什麼時候需要AB測試
17.4 AB測試的應用場景
17.5 AB測試平臺的核心模塊
17.5.1 分組模塊
17.5.2 實驗管理模塊
17.5.3 業務接入模塊
17.5.4 行為記錄分析模塊
17.5.5 效果評估模塊
17.6 業界流行的AB測試架構實現方案
17.7 推薦繫統業務AB測試實現方案
17.8 開發AB測試平臺需要的資源及支持
17.9 構建AB測試平臺需要關注的重要問題
17.10 本章小結
第18章 構建優質的推薦繫統服務
18.1 推薦服務背景介紹
18.2 什麼是優質的推薦服務
18.2.1 高性能
18.2.2 高可用
18.2.3 可伸縮
18.2.4 可擴展
18.2.5 安全性
18.3 設計優質的推薦服務面臨的挑戰
18.3.1 需要存儲的數據量大
18.3.2 需要快速及時響應用戶請求
18.3.3 接口訪問並發量大
18.3.4 業務相對復雜
18.4 構建優質服務的一般原則
18.4.1 模塊化
18.4.2 數據存儲與數據緩存
18.4.3 負載均衡
18.4.4 異步調用
18.4.5 分布式及去中心化
18.4.6 分層思想
18.5 設計優質推薦服務的可行策略
18.5.1 高性能
18.5.2 高可用
18.5.3 可伸縮
18.5.4 可擴展
18.5.5 安全性
18.6 本章小結
第19章 推薦繫統提供Web服務
19.1 什麼是推薦繫統Web服務
19.2 推薦繫統提供Web服務的兩種方式
19.2.1 事先計算式Web服務
19.2.2 實時裝配式Web服務
19.3 兩種Web服務方式的優劣對比
19.3.1 事先計算式Web服務的優缺點
19.3.2 實時裝配式Web服務的優缺點
19.4 影響Web服務方式的因素及選擇原則
19.4.1 推薦產品形態的時效性對選擇推薦Web服務的影響
19.4.2 技術及架構復雜性對選擇推薦Web服務的影響
19.4.3 推薦階段對選擇推薦Web服務的影響
19.4.4 算法形態對選擇推薦Web服務的影響
19.5 本章小結
第20章 實時個性化推薦
20.1 實時推薦繫統背景介紹
20.2 實時推薦繫統的價值
20.3 實時推薦繫統的應用場景
20.3.1 新聞資訊類
20.3.2 短視頻類
20.3.3 婚戀、陌生人社交類
20.3.4 直播類
20.3.5 電商類
20.3.6 音樂、電臺類
20.4 實時推薦繫統的整體架構
20.4.1 Lambda架構
20.4.2 Kappa架構
20.5 實時推薦繫統的技術選型
20.5.1 離線部分算法的技術選型
20.5.2 實時部分算法的技術選型
20.6 實時推薦算法與工程實現
20.7 構建實時推薦繫統面臨的困難和挑戰
20.8 實時推薦繫統的未來發展
20.8.1 實時推薦是未來推薦發展的方向
20.8.2 每個人都有望擁有為自己服務的個性化算法
20.8.3 實時推薦應用場景的多樣性
20.8.4 實時交互方式化
20.9 本章小結
第六篇 推薦繫統產品與運營
第21章 推薦繫統產品
21.1 推薦產品簡介
21.2 推薦產品形態介紹
21.2.1 基於用戶維度的推薦
21.2.2 基於標的物維度的推薦
21.2.3 基於用戶和標的物交叉維度的推薦
21.3 推薦產品的應用場景
21.4 設計優質推薦產品的要點
21.5 本章小結
第22章 推薦繫統的UI交互與視覺展示
22.1 信息獲取與推薦繫統
22.2 交互設計的基本原則
22.3 推薦繫統的UI交互
22.3.1 什麼是推薦繫統的UI交互
22.3.2 設計好的UI交互的原則
22.3.3 UI交互在推薦繫統中的價值
22.4 推薦繫統的視覺展示
22.4.1 什麼是推薦繫統的視覺要素
22.4.2 視覺要素展示的一般原則
22.4.3 視覺要素展示的價值
22.5 關於推薦繫統UI交互和視覺展示的展望
22.6 本章小結
第23章 推薦繫統與精細化運營
23.1 運營簡介
23.2 數據化運營
23.3 精細化運營
23.3.1 精細化運營的概念
23.3.2 精細化運營的特點
23.3.3 為什麼說現在進入了精細化運營時代
23.3.4 精細化運營面臨的挑戰
23.3.5 精細化運營的流程與方法
23.4 用戶畫像介紹
23.4.1 用戶畫像的概念
23.4.2 標簽的分類
23.4.3 用戶畫像構建流程
23.4.4 用戶畫像平臺的基礎架構
23.4.5 用戶畫像的應用場景
23.5 推薦繫統與精細化運營
23.5.1 推薦繫統是精細化運營的優選形式
23.5.2 推薦繫統與精細化運營的區別與聯繫
23.5.3 利用推薦繫統的思路進行精細化運營
23.5.4 利用推薦繫統的思路進行精細化運營面臨的困境
23.6 本章小結
第24章 推薦繫統的人工調控策略
24.1 什麼是推薦繫統的人工調控
24.2 為什麼要進行人工調控
24.2.1 用戶體驗
24.2.2 安全性
24.2.3 商業價值
24.2.4 運營需要
24.2.5 降低人力成本
24.3 怎樣進行人工調控
24.3.1 數據層面的人工調控
24.3.2 特征層面的人工調控
24.3.3 模型層面的人工調控
24.3.4 結果層面的人工調控
24.3.5 展示層面的人工調控
24.3.6 效果層面的人工調控
24.4 怎樣評估人工調控的價值
24.5 人工調控面臨的挑戰
24.5.1 知識層面的脫節，溝通不暢
24.5.2 很難準確評估對推薦繫統的影響範圍
24.5.3 為運營人員提供方便操控的界面是關鍵
24.6 人與機器的有效協作
24.7 本章小結
第七篇 推薦繫統案例分析
第25章 從零開始構建企業級推薦繫統
25.1 Why：你的產品為什麼需要推薦繫統
25.2 Who：讓誰來搭建推薦繫統
25.2.1 自建推薦繫統
25.2.2 通過外包構建推薦繫統
25.2.3 購買推薦繫統雲服務
25.3 When：在產品的什麼階段搭建推薦繫統
25.4 What、Where：搭建什麼樣的推薦繫統
25.5 How：怎樣搭建推薦繫統
25.5.1 產品起步階段的推薦
25.5.2 產品成長階段的推薦
25.6 How much：關於構建推薦繫統的資源投入
25.6.1 人力投入
25.6.2 計算資源投入
25.7 How feel：對推薦繫統價值的預期
25.8 從零搭建推薦繫統必須做好的3件事
25.8.1 產品與算法
25.8.2 評估指標
25.8.3 AB測試
25.9 幾個具體實用的建議
25.10 本章小結
第26章 基於標簽的實時短視頻推薦繫統
26.1 基於標簽的推薦算法應用場景
26.1.1 接近個性化推薦
26.1.2 標的物關聯標的物推薦
26.1.3 主題推薦
26.2 基於標簽的推薦算法原理
26.2.1 個性化推薦
26.2.2 視頻相似推薦
26.2.3 主題推薦
26.3 推薦產品的整體架構及工程實現
26.3.1 個性化推薦
26.3.2 相似視頻推薦
26.3.3 主題推薦
26.4 個性化推薦的召回與排序策略
26.4.1 召回策略
26.4.2 排序策略
26.4.3 電視貓個性化推薦實時更新策略
26.5 冷啟動策略
26.6 未來優化方向
26.6.1 增加模型排序模塊
26.6.2 對重復的節目做過濾
26.6.3 整合用戶負反饋
26.6.4 針對標簽的優化
26.7 本章小結
第27章 基於Erlang語言的視頻相似推薦
27.1 視頻相似推薦繫統簡介
27.2 相似推薦算法原理及實現細節
27.2.1 年代
27.2.2 標題
27.2.3 地域
27.2.4 豆瓣評分
27.2.5 是否獲獎
27.3 實現視頻相似推薦繫統的問題與難點
27.3.1 數據量大，增速快
27.3.2 需要實時計算
27.3.3 計算與某個視頻最相似的視頻需要遍歷所有視頻
27.3.4 需要更新已經計算視頻的相似度
27.4 為什麼要用Erlang語言開發
27.4.1 Erlang語言簡介
27.4.2 Erlang語言的特性
27.4.3 選擇Erlang語言開發視頻相似推薦繫統的原因
27.5 繫統架構與工程實現
27.5.1 Master節點模塊與功能
27.5.2 Slaver主要負責計算任務
27.5.3 Riak集群負責最終相似推薦結果的存儲
27.5.4 響應請求模塊會基於用戶請求給出推薦結果
27.6 相似推薦的核心亮點
27.7 未來的優化方向
27.8 本章小結
附錄A 推薦算法工程師的成長之道
附錄B 推薦算法團隊組成及目標定位

本書從不同角度來介紹企業級推薦繫統構建的理論、方法、策略。首先讓讀者對推薦繫統有一個基礎的認知，然後針對將要用到的算法知識進行了詳細講解，接著從用戶維度、標的物維度、算法維度、平臺方維度等角度介紹了評估方法，再進行了工程實現，通過案例對工程實現的核心模塊、架構設計、技術選型進行分解。緊接其後從運營角度講解了推薦產品的應用場景及設計推薦產品的基本原則，並進行了實踐，通過實踐案例分析，進一步強化前面介紹的各個知識點，讓讀者有一個繫統認識。