本書以媒介變遷為整體脈絡(luò)，通過幾類推薦產(chǎn)品的發(fā)展趨勢來探討推薦產(chǎn)品創(chuàng)新的核心驅(qū)動力，以及由具體產(chǎn)品特性引發(fā)的技術(shù)變革。全書內(nèi)容分為5部分。第一部分從宏觀視角探討推薦產(chǎn)品從0到1進行創(chuàng)新的產(chǎn)品思路和技術(shù)思路；第二部分介紹革新傳統(tǒng)紙質(zhì)媒介的新聞推薦和資訊推薦，包括關(guān)鍵算法設(shè)計和產(chǎn)品設(shè)計；第三部分介紹構(gòu)建線上社交網(wǎng)絡(luò)的社交和社區(qū)推薦，以及如何通過協(xié)同過濾算法模擬社交網(wǎng)絡(luò)；第四部分從產(chǎn)品、生態(tài)和算法設(shè)計的角度，介紹革新傳統(tǒng)影視行業(yè)的視頻推薦；第五部分以阿里推薦產(chǎn)品及其新興的競爭產(chǎn)品為例，介紹革新傳統(tǒng)貨架電商的商品推薦。
1. 創(chuàng)新性：推薦系統(tǒng)如今已經(jīng)廣泛存在于各互聯(lián)網(wǎng)產(chǎn)品中，本書從產(chǎn)品視角出發(fā)梳理推薦系統(tǒng)在各領(lǐng)域中的產(chǎn)品設(shè)計、經(jīng)典技術(shù)和最新技術(shù)的發(fā)展歷程，以及雅虎、谷歌、YouTube、阿里、小紅書、字節(jié)跳動等大型互聯(lián)網(wǎng)公司的解決方案。
2. 專業(yè)性：本書作者王超曾任百度杰出架構(gòu)師，理論高度與實踐經(jīng)驗俱佳，且因其代表作《計算廣告》而擁有良好的口碑和知名度。
3. 系統(tǒng)性與實用性：本書先從宏觀視角講解推薦產(chǎn)品從0到1的破局之道，再深入到信息推薦、社交和社區(qū)推薦、視頻推薦、電商推薦這4類典型推薦系統(tǒng)中講解產(chǎn)品與算法設(shè)計，以及國內(nèi)外企業(yè)在推薦領(lǐng)域的實踐。
王超，北京大學碩士，多年來專注于推薦系統(tǒng)和計算廣告等領(lǐng)域的研究和實踐。曾任百度杰出架構(gòu)師，并與劉鵬合著《計算廣告》一書。
第 一部分 推薦產(chǎn)品的破局之道
第 1章 產(chǎn)品創(chuàng)新引領(lǐng)的供給側(cè)變革 3
1.1 媒介創(chuàng)新比內(nèi)容更重要 3
1.1.1 媒介變遷的趨勢展望 3
1.1.2 推薦產(chǎn)品的演化方向 6
1.2 把控上游的創(chuàng)作工具 9
1.2.1 創(chuàng)作工具的戰(zhàn)略價值 9
1.2.2 策采編發(fā)的全鏈路重塑 11
1.3 激勵相容的生態(tài)機制創(chuàng)新 13
1.3.1 從廣告拍賣機制說起 13
1.3.2 推薦中的生態(tài)機制設(shè)計 15
第 2章 技術(shù)創(chuàng)新引領(lǐng)的供給側(cè)變革 18
2.1 殊途的CV與NLP范式 18
2.1.1 從人工特征到CNN結(jié)構(gòu) 19
2.1.2 從專家系統(tǒng)到RNN結(jié)構(gòu) 21
2.2 走向融合的CV與NLP范式 25
2.2.1 從注意力機制到Transformer 25
2.2.2 只需Transformer的內(nèi)容理解 30
2.2.3 自回歸、生成對抗和擴散范式下的內(nèi)容生成 33
2.2.4 大模型時代的推薦產(chǎn)業(yè)變革 39
第3章 從產(chǎn)品視角看需求側(cè)增長 43
3.1 從AARRR模型看用戶增長 43
3.1.1 獲客渠道的選擇 44
3.1.2 激活的定義和誤區(qū) 46
3.1.3 從留存曲線看產(chǎn)品優(yōu)化 47
3.1.4 產(chǎn)品的商業(yè)化變現(xiàn) 49
3.2 從網(wǎng)絡(luò)效應(yīng)視角看用戶增長 50
3.2.1 從網(wǎng)絡(luò)效應(yīng)看推薦產(chǎn)品演進 50
3.2.2 供需匹配的破局策略 53
3.2.3 理解網(wǎng)絡(luò)效應(yīng)時的常見誤區(qū) 55
第4章 E&E視角下的新用戶推薦 58
4.1 單狀態(tài)假設(shè)下的Bandit策略 58
4.1.1 MAB問題的定義與評價 58
4.1.2 主流Bandit策略介紹 60
4.2 MDP假設(shè)下的模型RL方法 63
4.2.1 從通盤決策的AlphaGo說起 63
4.2.2 從模型RL視角看新用戶推薦 67
4.2.3 基于模型RL的實踐思路 68
第5章 元學習視角下的新用戶推薦 72
5.1 快速自適應(yīng)參數(shù)的范式 72
5.1.1 模型無關(guān)的MAML方法 72
5.1.2 MAML方法的推薦實踐 74
5.2 基于比較歸納的范式 77
5.2.1 從度量學習到對比學習 77
5.2.2 比較歸納方法的推薦實踐 80
5.3 仿生記憶機制的范式 82
5.3.1 從神經(jīng)圖靈機到大模型 82
5.3.2 仿生記憶方法的推薦實踐 86
第6章 A/B測試是增長的銀彈嗎 88
6.1 A/B測試的原理和優(yōu)勢 88
6.1.1 A/B測試的原理 88
6.1.2 A/B測試的優(yōu)勢 91
6.2 濫用A/B測試時的增長困境 92
6.2.1 難以優(yōu)化留存等長期目標 92
6.2.2 難以反向優(yōu)化出新市場 95
6.2.3 難以做出真正的產(chǎn)品創(chuàng)新 97
第二部分 信息推薦
第7章 瞬息萬變的新聞推薦 103
7.1 曾統(tǒng)治硅谷的雅虎 103
7.1.1 雅虎門戶的發(fā)展史 103
7.1.2 雅虎新聞推薦的興衰 105
7.2 針對突發(fā)新聞的實時推薦策略 107
7.2.1 非穩(wěn)態(tài)分布下的E&E策略 107
7.2.2 快慢結(jié)合的模型更新范式 109
7.2.3 讓特征動起來的樹模型 111
第8章 獲取信息的資訊推薦 114
8.1 屢失良機的谷歌推薦 114
8.1.1 對推薦產(chǎn)品崛起的遲鈍 114
8.1.2 困于搜索思維的推薦生態(tài) 117
8.2 相關(guān)性需求下的信息檢索技術(shù) 120
8.2.1 語義匹配的主流技術(shù) 120
8.2.2 近無損全庫遍歷的ANN檢索 123
8.3 從峰終定律看排序策略設(shè)計 125
8.3.1 不同需求模式下的體驗設(shè)計 125
8.3.2 明確需求下的NDCG優(yōu)化 127
8.3.3 多元需求下的多樣性優(yōu)化 131
第三部分 社交和社區(qū)推薦
第9章 永遠年輕的社交產(chǎn)品 137
9.1 社交推薦中優(yōu)化的關(guān)鍵 137
9.1.1 強化社交效用時的原則 137
9.1.2 優(yōu)化內(nèi)容效用的路徑選擇 139
9.2 從Facebook看社交效用優(yōu)化 140
9.2.1 更高效的社交資本積累 140
9.2.2 更高效的社交關(guān)系維系 143
9.3 從交友產(chǎn)品看雙向推薦問題 144
9.3.1 滿意即流失的婚戀場景 144
9.3.2 促成線上雙向匹配的Tinder 145
9.3.3 促成線下穩(wěn)定婚配的Hinge 147
9.4 社交場景中的推薦策略 148
9.4.1 社交媒體中的推薦策略 148
9.4.2 穩(wěn)定婚配假設(shè)下的GS算法 149
9.4.3 傳統(tǒng)推薦的雙向匹配改造 151
第 10章 春耕秋收的社區(qū)產(chǎn)品 154
10.1 社區(qū)產(chǎn)品的培育原則 154
10.1.1 以人為核心的原創(chuàng)內(nèi)容 154
10.1.2 強化關(guān)系的穩(wěn)定建立 156
10.1.3 引導角色的良性分化 158
10.2 從媒介側(cè)創(chuàng)新的Instagram 161
10.2.1 從文到圖的媒介變革 161
10.2.2 恰到好處的創(chuàng)作工具 162
10.2.3 從創(chuàng)作工具向社區(qū)轉(zhuǎn)型 164
10.3 無為而治的Reddit 165
10.3.1 顯式組織的社區(qū)結(jié)構(gòu) 165
10.3.2 簡單健壯的投票機制 167
第 11章 模擬社交的協(xié)同過濾 169
11.1 推薦系統(tǒng)的起源 169
11.1.1 更相信人的智慧的Tapestry 169
11.1.2 仿真協(xié)同關(guān)系的GroupLens 170
11.2 對協(xié)同關(guān)系的仿真建模 172
11.2.1 從復雜網(wǎng)絡(luò)看推薦系統(tǒng) 172
11.2.2 對局部近鄰關(guān)系的仿真 177
11.2.3 對全局拓撲結(jié)構(gòu)的仿真 179
11.3 基于仿真關(guān)系的協(xié)同推薦 183
11.3.1 協(xié)同過濾的核心優(yōu)勢 183
11.3.2 應(yīng)用協(xié)同關(guān)系的在線環(huán)節(jié) 185
第四部分 視頻推薦
第 12章 降低決策成本的電影推薦 189
12.1 電影推薦的傳奇奈飛 189
12.1.1 奈飛對百視達的逆襲 189
12.1.2 奈飛對自我的不斷革新 191
12.2 優(yōu)化線下體驗的評分預測 193
12.2.1 評分預測產(chǎn)品的興衰 193
12.2.2 評分預測算法的演進趨勢 195
第 13章 和電視競爭的短視頻推薦 200
13.1 激勵相容的YouTube生態(tài)機制 200
13.1.1 多方受益的Content ID機制 201
13.1.2 穩(wěn)固自建生態(tài)的YPP機制 202
13.1.3 革新廣告效率的TrueView機制 203
13.2 直面海量候選的深度學習召回 204
13.2.1 召回的里程碑：YouTubeDNN 205
13.2.2 索引與模型聯(lián)訓的復雜模型 207
13.2.3 提升模型魯棒性的樣本設(shè)計 210
13.3 優(yōu)化長期時長收益的強化學習 212
13.3.1 YouTube優(yōu)化目標的變遷史 213
13.3.2 價值方法的原理和實踐 216
13.3.3 策略方法的原理和實踐 220
第 14章 以快打慢的微視頻推薦 225
14.1 以音樂為內(nèi)核的抖音 225
14.1.1 放棄內(nèi)容時長的反向創(chuàng)新 225
14.1.2 從行為心理學看產(chǎn)品設(shè)計 227
14.1.3 以音軌為模板的爆款復制 229
14.2 不求最優(yōu)化，但求多目標 230
14.2.1 道法自然的多目標融合 231
14.2.2 觸類旁通的多任務(wù)學習 234
第五部分 電商推薦
第 15章 歷久彌新的電商推薦產(chǎn)品 241
15.1 從阿里看貨架電商的演進 241
15.1.1 逆襲易趣的關(guān)鍵勝負手 241
15.1.2 高筑C端流量的護城河 242
15.2 從媒介側(cè)發(fā)起變革的新電商 245
15.2.1 用商一體的內(nèi)容型電商 245
15.2.2 構(gòu)建信任的直播熱媒介 247
15.2.3 撬動傳播的輕品類電商 249
第 16章 真金白銀的電商推薦技術(shù) 252
16.1 量化即時回報的優(yōu)化思路 252
16.1.1 起源于廣告的點擊率預估 252
16.1.2 正例稀疏的轉(zhuǎn)化率預估 260
16.1.3 和NLP同源的序列信號建模 264
16.2 看重長期回報的優(yōu)化思路 270
16.2.1 GMV的優(yōu)化路徑拆解 271
16.2.2 新興電商的差異化策略 273
書單推薦
