作为机器学习领域应用比较成熟、广泛的业务，个性化推荐在电商、短视频等平台发挥着重要作用，其背后的推荐系统已成为当今越来越多应用程序的标配。关于推荐算法的论述有很多，而要将其很好地应用到实际场景中，则需要大量的实践经验。本书从实战的角度介绍推荐系统，主要包含三部分：召回算法、排序算法和工程实践。书中细致剖析了如何在工业中对海量数据应用算法，涵盖了从算法原理，到模型搭建、优化以及最佳实践等诸多内容。

阿星，曾在字节跳动、苏宁易购等企业负责推荐/广告算法的设计、开发和优化工作，在应对海量数据下的算法建模以及点击率/转化率预估等任务中积累了大量实战经验。目前就职于跨境电商巨头SHEIN，负责提升全球核心业务场景的流量分发效率。

第1章 推荐系统
1.1 推荐系统是什么
1.1.1 京东商城
1.1.2 亚马逊
1.1.3 YouTube
1.2 推荐系统整体架构
1.3 推荐系统算法概述
1.3.1 召回算法
1.3.2 排序算法
1.4 周边配套系统
1.4.1 机器学习平台
1.4.2 特征平台
1.4.3 模型服务平台
1.4.4 A/B测试平台
1.5 总结
第一部分 召回算法
第2章 协同过滤
2.1 算法应用
2.2 算法原理
2.2.1 打分机制
2.2.2 物品相似度
2.3 算法实现
2.3.1 步骤1：数据源读取
2.3.2 步骤2：聚合用户行为
2.3.3 步骤3：局部物品相似度
2.3.4 步骤4和步骤5：全局物品相似度
2.3.5 步骤6：Top N
2.4 算法优化
2.4.1 无效用户过滤
2.4.2 热门惩罚
2.5 完整代码
2.6 准实时更新
2.6.1 数据准备
2.6.2 实时数据取数逻辑
2.6.3 准实时更新相似度
2.7 总结
第3章 关联规则
3.1 关联规则
3.1.1 定义
3.1.2 频繁项集
3.2 Apriori算法
3.2.1 频繁项集生成
3.2.2 关联规则生成
3.3 FPGrowth
3.3.1 FP树
3.3.2 逻辑
3.3.3 举例
3.3.4 运行
3.3.5 完整代码
3.3.6 数据集
3.3.7 源码分析
3.3.8 算法优化
3.4 总结
第4章 Word2Vec
4.1 词向量示例
4.2 数据准备
4.2.1 词汇表
……
第二部分 排序算法
第三部分 工程实践