Index
search
Quick search
Jupyter 记事本
GitHub
Table Of Contents
前言
准备工作
符号
1. 推荐系统概述
2. 快速候选召回
2.1. 协同过滤
2.1.1. 物品的协同过滤
2.1.2. Swing：面向工业场景的优化
2.1.3. 用户的协同过滤
2.1.4. 矩阵分解
2.2. I2I召回
2.2.1. Word2Vec：序列建模的理论基础
2.2.2. Item2Vec：最直接的迁移
2.2.3. EGES：用属性信息增强序列
2.2.4. Airbnb：将业务目标融入序列
2.3. 双塔模型
2.3.1. FM（因子分解机）：双塔模型的雏形
2.3.2. DSSM：深度结构化语义模型
2.3.3. YouTubeDNN：从匹配到预测用户下一行为
2.4. 序列召回
2.4.1. MIND：用多个向量捕捉用户的多元兴趣
2.4.2. SDM：融合长短期兴趣，捕捉动态变化
2.5. 流式索引召回
2.5.1. 聚类统计的全量兴趣召回
2.5.2. 实时更新的流式索引
2.6. 本章总结
3. 精准偏好预测
3.1. 记忆与泛化
3.2. 特征交叉
3.2.1. 二阶特征交叉
3.2.2. 高阶特征交叉
3.3. 序列建模
3.4. 多目标建模
3.4.1. 基础结构演进
3.4.2. 任务依赖建模
3.4.3. 多目标损失融合
3.5. 多场景建模
3.5.1. 多塔结构
3.5.2. 动态权重建模
3.6. 本章总结
4. 重排多样性建模
4.1. 基于贪心的重排
4.2. 基于个性化的重排
4.3. 本章小结
5. 生成式推荐基础
5.1. 推荐范式的演进
5.2. 生成式架构的基石
5.3. LLM建模的基本流程
5.4. 推荐中的Tokenizer技术
5.5. 本章总结
6. Scaling Law架构探索
6.1. Scaling Law的首次探索
6.2. HSTU的工程突破
6.3. MTGR: 混合范式建模
6.4. Rankmixer: 硬件效率优化
6.5. OneTrans: 统一序列与特征交差
6.6. 本章总结
7. 端到端生成式建模
7.1. OneRec的架构演进
7.2. 查询补全与商品检索
7.3. 竞价机制与多场景广告
7.4. 本章总结
8. 会思考的推荐模型
8.1. 协同语义与语言语义的统一
8.2. OneRec-Think的思考框架
8.3. 自主推理的探索
8.4. 本章总结
9. 基于扩散的推荐模型
9.1. 推荐中的扩散模型基础
9.2. 基于扩散的数据增强
9.3. 特征增强与多样性优化
9.4. 本章总结
10. 生产级推荐系统构建
10.1. 项目背景与目标
10.2. 系统架构设计
10.3. 离线流水线
10.4. 在线流程
10.5. 前端与交互
10.6. 部署与运维
10.7. 本章总结
参考文献
Table Of Contents
前言
准备工作
符号
1. 推荐系统概述
2. 快速候选召回
2.1. 协同过滤
2.1.1. 物品的协同过滤
2.1.2. Swing：面向工业场景的优化
2.1.3. 用户的协同过滤
2.1.4. 矩阵分解
2.2. I2I召回
2.2.1. Word2Vec：序列建模的理论基础
2.2.2. Item2Vec：最直接的迁移
2.2.3. EGES：用属性信息增强序列
2.2.4. Airbnb：将业务目标融入序列
2.3. 双塔模型
2.3.1. FM（因子分解机）：双塔模型的雏形
2.3.2. DSSM：深度结构化语义模型
2.3.3. YouTubeDNN：从匹配到预测用户下一行为
2.4. 序列召回
2.4.1. MIND：用多个向量捕捉用户的多元兴趣
2.4.2. SDM：融合长短期兴趣，捕捉动态变化
2.5. 流式索引召回
2.5.1. 聚类统计的全量兴趣召回
2.5.2. 实时更新的流式索引
2.6. 本章总结
3. 精准偏好预测
3.1. 记忆与泛化
3.2. 特征交叉
3.2.1. 二阶特征交叉
3.2.2. 高阶特征交叉
3.3. 序列建模
3.4. 多目标建模
3.4.1. 基础结构演进
3.4.2. 任务依赖建模
3.4.3. 多目标损失融合
3.5. 多场景建模
3.5.1. 多塔结构
3.5.2. 动态权重建模
3.6. 本章总结
4. 重排多样性建模
4.1. 基于贪心的重排
4.2. 基于个性化的重排
4.3. 本章小结
5. 生成式推荐基础
5.1. 推荐范式的演进
5.2. 生成式架构的基石
5.3. LLM建模的基本流程
5.4. 推荐中的Tokenizer技术
5.5. 本章总结
6. Scaling Law架构探索
6.1. Scaling Law的首次探索
6.2. HSTU的工程突破
6.3. MTGR: 混合范式建模
6.4. Rankmixer: 硬件效率优化
6.5. OneTrans: 统一序列与特征交差
6.6. 本章总结
7. 端到端生成式建模
7.1. OneRec的架构演进
7.2. 查询补全与商品检索
7.3. 竞价机制与多场景广告
7.4. 本章总结
8. 会思考的推荐模型
8.1. 协同语义与语言语义的统一
8.2. OneRec-Think的思考框架
8.3. 自主推理的探索
8.4. 本章总结
9. 基于扩散的推荐模型
9.1. 推荐中的扩散模型基础
9.2. 基于扩散的数据增强
9.3. 特征增强与多样性优化
9.4. 本章总结
10. 生产级推荐系统构建
10.1. 项目背景与目标
10.2. 系统架构设计
10.3. 离线流水线
10.4. 在线流程
10.5. 前端与交互
10.6. 部署与运维
10.7. 本章总结
参考文献
Index
