推荐系统：
几乎所有基于用户浏览量的APP和网站都需要挖掘出用户的兴趣偏好来精准高效的推送数据，因而推荐算法的人才需求量非常大。
应用场景：
新用户冷启动、热门内容推荐、根据业务需求推荐、平衡用户兴趣与推荐多样性等。
推荐算法根据用户信息（年龄、标签）、行为数据（点击、浏览、收藏、评分、评分）等，从数据库中提取用户信息或者对用户行为做埋点，拿到数据后对其特征提取，建模后抽象出—个用户的信息全貌，例如：A喜欢科普类图书，B喜欢小说类图书，C喜欢音乐类图书。特征匹配后会将物料（信息）精准推送到用户端。
这本书是清华大学赵传霖博士写， 10 多年互联网算法从业经验，主要研究方向为推荐系统、个性化搜索。涵盖推荐系统的基础知识、实际应用场景、推荐系统的评估与评测、算法工程师的自我修养、面试 ，涵盖职业生涯中所有知识点，可谓是人手必备的一本宝典，书中尽显算法之美。
开发阶段：
特征工程、核心概念Embedding ，以及推荐算法中的加速器PS，推荐系统的链路。
推荐系统的链路：召回、粗排、精排、重排。从海量物料中“筛选”，以毫秒级过滤出最优的几十个物料呈现在用户面前。
召回：把百万级物料减到千级。从如何定义正样本和负样本、生成Embedding、定义优化目标4个维度，梳理了向量化召回的脉络，分析了Airbnb、FM、双塔、GCN等业界常用召回算法。
粗排：简单模型，进一步减少物料数量，规模不大的这个环节会被放弃。
精排：VIP，提升预测精确度，特征和模型都比较复杂。偏重记忆的FTRL算法、FM模型；兼顾记忆与扩展的Wide & Deep、DeepFM模型；特征的显式交叉与隐式交叉并举的DCN、AutoInt模型。
重排：提升推荐结果的多样性、优化用户体验、提升算法效率，重点介绍基于启发式规则、基于行列式点过程、基于上下文感知的排序学习这3大重排算法。
评测与用户反馈阶段：
根据推荐系统评测指标（覆盖率、满意度、点击率、转化率等）对推荐准确度（精确率、召回率）进行评测。
面试：
适配即将毕业的萌新、混迹职场多年的求职者。从开发到上线、从维护到优化、从自修到面试，无所不包。
转载此文是出于传递更多信息目的。若来源标注错误或侵犯了您的合法权益，请与本站联系，我们将及时更正、删除、谢谢。
https://www.414w.com/read/133751.html
