本书概览¶
理解了推荐系统的核心逻辑后，我们现在需要为这个复杂的技术体系绘制一份清晰的地图。本书沿着判别式与生成式两条主线组织内容，同时串联起推荐算法从记忆、泛化到理解、推理的能力演进。前半部分深入判别式推荐的工业实践，按照召回、排序、重排的流水线逐步展开；后半部分转向生成式推荐，从基础范式出发，经由规模化架构、端到端建模、推理能力和扩散模型，展现这一新范式的完整技术图景。最后通过完整的项目实践将理论落地，帮你建立从认知到构建的完整知识框架。
上篇：判别式推荐的工业实践
第二章：快速候选召回
召回是推荐流水线的起点，需要在毫秒级时间内从亿级物品库中筛选出千级候选。本章沿着技术演进的脉络，分五节展开。协同过滤(2.1节)是推荐的经典起点，从ItemCF的物品相似度计算出发，经Swing的工业优化和UserCF的用户视角，到矩阵分解将用户和物品映射为隐向量，开启了向量化表示的先河。I2I召回(2.2节)将Word2Vec的序列建模思想迁移到推荐场景，通过用户行为序列学习物品向量，从Item2Vec的直接迁移，到EGES融合属性信息，再到Airbnb将业务目标融入序列构建。双塔模型(2.3节)将用户和物品分别编码为向量，以FM、DSSM和YoutubeDNN为代表，实现高效的U2I向量检索。序列召回(2.4节)关注被前面方法忽略的时序信息，MIND用多向量表示用户的多元兴趣，SDM分离长短期偏好并通过门控机制动态融合。流式索引召回(2.5节)跳出模型内部压缩的思路，Trinity通过聚类统计保留全量历史兴趣，Streaming VQ让索引结构实时适应数据分布的变化。
第三章：精准偏好预测
经过召回的快速筛选，排序阶段需要对千级候选进行精准的偏好打分。这里是深度学习泛化能力的主战场：模型要将学到的知识推广到训练时未曾见过的用户-物品组合。
本章从 Wide & Deep 模型（3.1节）出发，它通过联合训练线性模型和深度网络，确立了”记忆 + 泛化”的基础框架。在此基础上，特征交叉 (3.2节) 技术从 FM 的二阶交叉（3.2.1节）起步，经 DeepFM、xDeepFM 逐步走向自动化的高阶交叉（3.2.2节），让模型摆脱人工特征工程。序列建模（3.3节）让排序感知用户兴趣的动态变化，DIN 引入注意力机制根据候选物品动态激活相关历史行为，DIEN 进一步显式建模兴趣的时序演化。面对真实业务中多个优化目标共存、多个场景差异化的需求，多目标优化（3.4节，如 MMoE、ESMM）和多场景建模（3.5节）在共享与独立之间寻求平衡，让排序模型适应复杂的业务环境。
第四章：重排多样性建模
排序输出的列表按分数排列，往往高度同质化。重排阶段的任务是在保持相关性的前提下优化整张列表的体验。贪心策略（4.1节）如 MMR 通过线性组合平衡相关性与多样性，DPP 则用行列式数学框架实现更精确的多样性控制。个性化重排（4.2节）进一步将用户偏好融入列表级优化，PRM 用 Transformer 建模物品间的相互影响，实现端到端的个性化列表生成。
下篇：生成式推荐的技术图景
第五章：生成式推荐基础
本章为后续所有生成式章节奠定基础。我们首先对比判别式与生成式两种范式的本质差异（5.1节）：前者对候选逐一打分，后者直接生成推荐序列。随后介绍两大架构基石（5.2节），Transformer 的自注意力机制和扩散模型的加噪-去噪过程，以及大语言模型从预训练到偏好对齐的基本流程（5.3节）。
最后深入探讨生成式推荐的核心难题：物品 Token 化（5.4节）。这是从”记忆ID”到”理解内容”的技术枢纽。稀疏 ID 面临词表爆炸和零泛化的困境，文本 ID 虽语义丰富却效率低下，基于 VQ-VAE 和 RQ-VAE 的语义 ID 方案在表示效率与语义丰富度之间找到了平衡，物品不再是不透明的符号，而是被编码为结构化的语义 Token 序列，使模型能够真正理解物品的内容含义。这一技术贯穿后续所有章节。
第六章：Scaling Law 架构探索
大语言模型证明了”更大的模型 + 更多的数据 =
更好的性能”，但传统推荐模型在规模化时遭遇了计算成本与候选数量的线性绑定、GPU
利用率不足等瓶颈。本章介绍工业界探索出的两条互补路径。HSTU
架构演进 (sec_hstu_optimization) 以 Meta 的
HSTU（6.1节）为代表，将传统的逐候选打分转变为用户级序列建模，通过
KV caching
解除计算成本与候选数量的绑定，支持数万长度的用户行为建模。硬件感知架构设计
(sec_hardware_optimization) 以阿里
RankMixer（6.4节）为代表，用统一的 Transformer
替代碎片化的手工模块，将 GPU 利用率从传统 DLRM 的 4-5%
提升至接近大语言模型的水平。
第七章：端到端生成式建模
有了规模化的基础，本章展示如何用一个统一模型替代整条多阶段流水线。在推荐场景（7.1节），快手的 OneRec 通过语义 ID、Decoder-Only 架构和基于 DPO 的偏好对齐，直接从用户历史生成推荐序列。在搜索场景（7.2节），OneSug 和 OneSearch 分别将查询补全和商品检索重新定义为生成任务，绕过传统的倒排索引 + 多阶段排序链路。在广告场景（7.3节），EGA 将竞价机制融入生成过程，在满足激励相容性约束的同时实现端到端的广告分配。
第八章：会思考的推荐模型
前面的生成式模型虽能高效生成推荐，但其决策过程仍是隐式的黑箱。本章要赋予推荐模型”先思考、再推荐”的显式推理能力，完成从”理解”到”推理”的最后一步跨越。
要实现这一目标，需攻克两个递进问题。首先是语义对齐（8.1节）：推荐系统的协同过滤信号与 LLM 的语言语义说着不同的”语言”，LC-Rec 通过多任务对齐框架将两者融合到统一表征空间。在此基础上，推理激活（8.2节）让模型学会显式思考，OneRec-Think 通过”物品对齐→推理激活→推理增强”三阶段框架，让模型在推荐前生成结构化的推理过程。更进一步，RecZero 探索了自主推理（8.3节）：抛弃人工设计的推理模板，仅靠强化学习的奖励信号，让模型自主演化出推理策略。
第九章：基于扩散的推荐模型
与前几章的自回归生成不同，扩散模型通过”加噪-去噪”过程提供了另一种生成范式 (9.1节) 。本章展示其在推荐中的两类应用。在数据增强（9.2节）方面，DiffuASR 通过条件扩散生成高质量的用户交互序列前缀，缓解短序列用户的数据稀疏问题。在特征增强与多样性优化（9.3节）方面，AsymDiffRec 用离散特征 dropout 替代高斯噪声构建前向过程，天然适配推荐场景中的特征缺失问题；DMSG 则利用扩散模型的随机采样机制，为推荐列表引入可控的多样性。
第十章：生产级推荐系统构建
理论的最终目标是应用。本章通过一个完整的电影推荐项目(10.1节)，展示如何将前述算法整合为可运行的系统(10.2节)。项目覆盖离线训练（10.3节，特征工程、YoutubeDNN 召回模型、DeepFM 排序模型）和在线服务（10.4节，多路召回、实时排序、MMR 多样性重排）两条流水线，前端界面(10.5节)使用 Vue.js 构建，整体通过 Docker Compose 编排部署(10.6节)，帮助读者掌握从数据处理到模型部署的全链路工程实践。