第1章 互联网的增长引擎——推荐系统 __eol__1.1 为什么推荐系统是互联网的增长引擎 __eol__1.1.1 推荐系统的作用和意义 __eol__1.1.2 推荐系统与YouTube的观看时长增长 __eol__1.1.3 推荐系统与电商网站的收入增长 __eol__1.2 推荐系统的架构 __eol__1.2.1 推荐系统的逻辑框架 __eol__1.2.2 推荐系统的技术架构 __eol__1.2.3 推荐系统的数据部分 __eol__1.2.4 推荐系统的模型部分 __eol__1.2.5 深度学习对推荐系统的革命性贡献 __eol__1.2.6 把握整体，补充细节 __eol__1.3 本书的整体结构 __eol____eol__第2章 前深度学习时代——推荐系统的进化之路 __eol__2.1 传统推荐模型的演化关系图 __eol__2.2 协同过滤——经典的推荐算法 __eol__2.2.1 什么是协同过滤 __eol__2.2.2 用户相似度计算 __eol__2.2.3 终结果的排序 __eol__2.2.4 ItemCF __eol__2.2.5 UserCF与ItemCF的应用场景 __eol__2.2.6 协同过滤的下一步发展 __eol__2.3 矩阵分解算法——协同过滤的进化 __eol__2.3.1 矩阵分解算法的原理 __eol__2.3.2 矩阵分解的求解过程__eol__2.3.3 消除用户和物品打分的偏差__eol__2.3.4 矩阵分解的优点和局限性 __eol__2.4 逻辑回归——融合多种特征的推荐模型 __eol__2.4.1 基于逻辑回归模型的推荐流程 __eol__2.4.2 逻辑回归模型的数学形式 __eol__2.4.3 逻辑回归模型的训练方法 __eol__2.4.4 逻辑回归模型的优势 __eol__2.4.5 逻辑回归模型的局限性 __eol__2.5 从FM到FFM——自动特征交叉的解决方案 __eol__2.5.1 POLY2模型——特征交叉的开始 __eol__2.5.2 FM模型——隐向量特征交叉 __eol__2.5.3 FFM模型——引入特征域的概念 __eol__2.5.4 从POLY2到FFM的模型演化过程 __eol__2.6 GBDT+LR——特征工程模型化的开端 __eol__2.6.1 GBDT+LR组合模型的结构 __eol__2.6.2 GBDT进行特征转换的过程__eol__2.6.3 GBDT+LR 组合模型开启的特征工程新趋势__eol__2.7 LS-PLM——阿里巴巴曾经的主流推荐模型 __eol__2.7.1 LS-PLM 模型的主要结构 __eol__2.7.2 LS-PLM模型的优点 __eol__2.7.3 从深度学习的角度重新审视LS-PLM模型 __eol__2.8 总结——深度学习推荐系统的前夜 __eol__ __eol__第3章 浪潮之巅——深度学习在推荐系统中的应用 __eol__3.1 深度学习推荐模型的演化关系图 __eol__3.2 AutoRec——单隐层神经网络推荐模型 __eol__3.2.1 AutoRec模型的基本原理 __eol__3.2.2 AutoRec模型的结构 __eol__3.2.3 基于AutoRec模型的推荐过程 __eol__3.2.4 AutoRec模型的特点和局限性 __eol__3.3 Deep Crossing模型——经典的深度学习架构 __eol__3.3.1 Deep Crossing模型的应用场景 __eol__3.3.2 Deep Crossing模型的网络结构 __eol__3.3.3 Deep Crossing模型对特征交叉方法的革命 __eol__3.4 NeuralCF模型——CF与深度学习的结合 __eol__3.4.1 从深度学习的视角重新审视矩阵分解模型 __eol__3.4.2 NeuralCF模型的结构 __eol__3.4.3 NeuralCF模型的优势和局限性 __eol__3.5 PNN模型——加强特征交叉能力 __eol__3.5.1 PNN模型的网络架构 __eol__3.5.2 Product层的多种特征交叉方式 __eol__3.5.3 PNN模型的优势和局限性 __eol__3.6 Wide&Deep 模型——记忆能力和泛化能力的综合 __eol__3.6.1 模型的记忆能力与泛化能力 __eol__3.6.2 Wide&Deep模型的结构 __eol__3.6.3 Wide&Deep模型的进化——Deep&Cross模型 __eol__3.6.4 Wide&Deep模型的影响力 __eol__3.7 FM与深度学习模型的结合 __eol__3.7.1 FNN——用FM的隐向量完成Embedding层初始化 __eol__3.7.2 DeepFM——用FM代替Wide部分 __eol__3.7.3 NFM——FM的神经网络化尝试 __eol__3.7.4 基于FM的深度学习模型的优点和局限性 __eol__3.8 注意力机制在推荐模型中的应用 __eol__3.8.1 AFM——引入注意力机制的FM __eol__3.8.2 DIN——引入注意力机制的深度学习网络 __eol__3.8.3 注意力机制对推荐系统的启发 __eol__3.9 DIEN——序列模型与推荐系统的结合 __eol__3.9.1 DIEN的“进化”动机 __eol__3.9.2 DIEN模型的架构 __eol__3.9.3 兴趣抽取层的结构 __eol__3.9.4 兴趣进化层的结构 __eol__3.9.5 序列模型对推荐系统的启发 __eol__3.10 强化学习与推荐系统的结合 __eol__3.10.1 深度强化学习推荐系统框架 __eol__3.10.2 深度强化学习推荐模型 __eol__3.10.3 DRN的学习过程 __eol__3.10.4 DRN的在线学习方法——竞争梯度下降算法 __eol__3.10.5 强化学习对推荐系统的启发 __eol__3.11 总结——推荐系统的深度学习时代 __eol____eol__第4章 Embedding技术在推荐系统中的应用 __eol__4.1 什么是Embedding__eol__4.1.1 词向量的例子 __eol__4.1.2 Embedding 技术在其他领域的扩展 __eol__4.1.3 Embedding 技术对于深度学习推荐系统的重要性 __eol__4.2 Word2vec——经典的Embedding方法 __eol__4.2.1 什么是Word2vec __eol__4.2.2 Word2vec模型的训练过程 __eol__4.2.3 Word2vec的“负采样”训练方法 __eol__4.2.4 Word2vec对Embedding技术的奠基性意义 __eol__4.3 Item2vec——Word2vec 在推荐系统领域的推广 __eol__4.3.1 Item2vec的基本原理 __eol__4.3.2 “广义”的Item2vec __eol__4.3.3 Item2vec方法的特点和局限性 __eol__4.4 Graph Embedding——引入更多结构信息的图嵌入技术 __eol__4.4.1 DeepWalk——基础的Graph Embedding方法 __eol__4.4.2 Node2vec——同质性和结构性的权衡 __eol__4.4.3 EGES——阿里巴巴的综合性Graph Embedding方法 __eol__4.5 Embedding与深度学习推荐系统的结合__eol__4.5.1 深度学习网络中的Embedding层 __eol__4.5.2 Embedding的预训练方法 __eol__4.5.3 Embedding作为推荐系统召回层的方法 __eol__4.6 局部敏感哈希——让Embedding插上翅膀的快速搜索方法 __eol__4.6.1 “快速”Embedding近邻搜索 __eol__4.6.2 局部敏感哈希的基本原理__eol__4.6.3 局部敏感哈希多桶策略 __eol__4.7 总结——深度学习推荐系统的核心操作 __eol____eol__第5章 多角度审视推荐系统 __eol__5.1 推荐系统的特征工程 __eol__5.1.1 构建推荐系统特征工程的原则 __eol__5.1.2 推荐系统中的常用特征 __eol__5.1.3 常用的特征处理方法 __eol__5.1.4 特征工程与业务理解 __eol__5.2 推荐系统召回层的主要策略 __eol__5.2.1 召回层和排序层的功能特点 __eol__5.2.2 多路召回策略 __eol__5.2.3 基于Embedding的召回方法 __eol__5.3 推荐系统的实时性 __eol__5.3.1 为什么说推荐系统的实时性是重要的 __eol__5.3.2 推荐系统“特征”的实时性 __eol__5.3.3 推荐系统“模型”的实时性 __eol__5.3.4 用“木桶理论”看待推荐系统的迭代升级 __eol