来源书籍

推荐系统全链路设计:原理解读与业务实践

Skill 版本:v24 158 张卡片

唐楠烊 · 唐楠烊

全书导读

这本书面向工程实践,回答推荐系统从数据、召回、精排到重排与冷启动这一整条链路该如何设计、选型与调参。全书以分层架构为骨架,先建立推荐系统的目标与工程全貌,再逐层深入召回与精排两大核心,最后补齐粗排、蒸馏、工程优化、重排与冷启动等落地环节。阅读时应把书中的具体模型与参数当作「当时如何落地」的证据,真正可迁移的是每章反复出现的取舍推理:先指出某层在真实业务下的瓶颈,再说明引入的机制如何转移瓶颈,最后承认新机制本身带来的成本。

全书主线

贯穿全书的主线是「链路分层与逐层取舍」。第1–2章建立推荐系统的目标与分层架构认知;第3–4章补齐特征工程与评价指标这一通用底座;第5–6章给出机器学习与神经网络两类模型的调参工具箱;第7–8章分别深入召回与精排两大核心层的样本与模型选择;第9–10章补齐粗排、蒸馏、工程优化与重排;第11章收束于冷启动与流量控制这一落地常见难题。各章卡片既独立讲清一个想法,又通过 [[因果提升模型基本设定]]、[[S/T/X/R-Learner]] 等链接相互呼应,构成从数据、模型到工程落地的完整认知。

前言

前言部分含作者简介、内容简介与全书导言,界定全书的工程实践取向与读者对象,不单独成卡的纯提名在此登记。本章要点如下:

原书依据 · 1 处

1 什么是推荐系统

建立对推荐系统的整体认识:它解决什么问题、企业落地面临哪些挑战,以及架构与模型在其中各自承担的角色。本章依次覆盖:什么是推荐系统、1.1 深度理解推荐系统、1.2 企业在构建推荐系统时会面临哪些问题、1.3 4类主流推荐系统构建点拨、1.4 推荐系统怎么拉活促销、1.5 架构和模型在推荐系统落地中的作用。相关要点已拆为 10 张知识卡,列于下。

原书依据 · 10 处

2 推荐系统架构

给出推荐系统的分层架构全景:召回、粗排、精排、重排与冷启动各环节的定位与协作关系。本章依次覆盖:推荐系统架构、2.1 推荐系统架构概述、2.2 召回层概述、2.3 粗排层概述、2.4 精排层概述、2.5 重排层概述、2.6 冷启动环节。相关要点已拆为 18 张知识卡,列于下。

原书依据 · 18 处

3 构建推荐系统的特征

围绕特征工程展开:数据采集与清洗,以及连续特征、离散特征的处理方法。本章依次覆盖:构建推荐系统的特征、3.1 怎么收集数据、3.2 怎么清洗数据、3.3 怎么处理连续特征、3.4 怎么处理离散特征。相关要点已拆为 15 张知识卡,列于下。

原书依据 · 15 处

4 为推荐系统选择评价指标

讨论不同业务目标下的线上指标,以及召回、精排、重排各自应选用的评价指标与 AB 实验设计。本章依次覆盖:为推荐系统选择评价指标、4.1 不同业务的线上指标、4.2 精排层应该选择什么评价指标、4.3 召回层应该选择什么评价指标、4.4 重排层应该选择什么评价指标、4.5 怎么设计合理的AB实验。相关要点已拆为 16 张知识卡,列于下。

原书依据 · 16 处

5 机器学习模型调参

针对传统机器学习模型给出调参实践:决策树、随机森林、XGBoost、LightGBM 的调参与全局优化、集成学习。本章依次覆盖:机器学习模型调参、5.1 决策树调参、5.2 随机森林调参、5.3 XGBoost调参、5.4 LightGBM调参、5.5 全局优化调参、5.6 利用集成学习提高推荐效果。相关要点已拆为 11 张知识卡,列于下。

原书依据 · 11 处

6 神经网络模型调参

针对神经网络模型给出调参实践:DNN 调参、优化器与损失函数选择、过拟合与欠拟合的处理。本章依次覆盖:神经网络模型调参、6.1 怎么对DNN调参、6.2 怎么为神经网络选择优化器、6.3 怎么为神经网络选择损失函数、6.4 怎么解决神经网络的拟合问题。相关要点已拆为 9 张知识卡,列于下。

原书依据 · 9 处

7 个性化召回层样本选择和模型选择

系统梳理个性化召回层的样本与模型选择:协同过滤、双塔、Word2vec、图网络与树模型召回。本章依次覆盖:个性化召回层样本选择和模型选择、7.1 协同过滤召回、7.2 双塔召回、7.3 Word2vec在召回中的应用、7.4 基于图网络的召回、7.5 基于树网络的召回。相关要点已拆为 23 张知识卡,列于下。

原书依据 · 23 处
原书依据 · 32 处

9 粗排层的样本选择和模型选择

讨论粗排层的样本与模型选择,以及蒸馏与工程优化在推荐链路中的落地。本章依次覆盖:粗排层的样本选择和模型选择、9.1 蒸馏、9.2 工程优化。相关要点已拆为 8 张知识卡,列于下。

原书依据 · 8 处

10 重排层的设计与实现

讨论重排层的设计与实现:精排后数据分析、模型重排与混排。本章依次覆盖:重排层的设计与实现、10.1 精排数据分析、10.2 模型重排、10.3 混排。相关要点已拆为 9 张知识卡,列于下。

原书依据 · 9 处

11 冷启动环节的设计与实现

讨论冷启动环节的设计与实现:用户冷启动、物料冷启动,以及用 PID 算法做流量稳定控制。本章依次覆盖:冷启动环节的设计与实现、11.1 用户冷启动、11.2 物料冷启动、11.3 PID算法。相关要点已拆为 6 张知识卡,列于下。

原书依据 · 6 处

发散与实践

实践计划见 ideas/ 目录(轻量模式仅出计划,不执行)。读者延伸内容须明确标注,不冒充作者观点。

生成进度与管理记录

阅读概览:推荐系统全链路设计:原理解读与业务实践

  • 建档进度:阶段二(light 模式五阶段中,阶段 1–2 已建基线并生成卡片)
  • 执行模式:light(阶段 3 按规则 skipped,不执行独立审查)
  • 评级:高浓度 / 高稳定性(知识主体较耐久) / 概念解析型(含操作参考)
  • Skill 版本:book-notes v24;cardbox CLI 与 DB v14
  • 原文:EPUB SHA-256 561f2b6070e9967ef1d88dae2b51a30edc601db97e3e286e0e39db1c1d5c3a9e(自出版,OPF 无 ISBN/日期;作者/出版 唐楠烊)
  • 笔记目录:book-notes/notes/推荐系统全链路设计:原理解读与业务实践/

章节进度追踪表

章 标题 状态 知识卡数
00 前言 done 1
01 什么是推荐系统 done 10
02 推荐系统架构 done 18
03 构建推荐系统的特征 done 15
04 为推荐系统选择评价指标 done 16
05 机器学习模型调参 done 11
06 神经网络模型调参 done 9
07 个性化召回层样本选择和模型选择 done 23
08 精排层的样本选择和模型选择 done 32
09 粗排层的样本选择和模型选择 done 8
10 重排层的设计与实现 done 9
11 冷启动环节的设计与实现 done 6

非正文排除

  • 封面/版权页(无实质内容)
  • 作者简介、内容简介(已归入前言 ch00,仅登记不单独成卡)
  • 目录/索引(纯导航,跳过)

待关联术语

  • 本书多数术语已在对应章节成卡;无额外纯提名待登记术语。

引用文献

  • 本书为工程实践向专著,未引用外部论文/框架需单独登记;相关方法(如 XGBoost、LightGBM、Word2vec、Mermaid)已在卡片中就地说明。

资金安全问题案例

  • 本书未涉及支付/资金安全专题,不适用。

实践卡进度

  • 实践计划:2 篇(轻量模式仅出计划,未执行),见 ideas/。

相关主题

从本书的主题进入跨书阅读,对照其他书籍的讲解。下方数量包含主题关联的全部卡片与书籍。

暂无公开主题。