本书分为4大部分。第一部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；最后，描述知识图谱相关基础理论。第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。

本书分为4大部分。第一部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；最后，描述知识图谱相关基础理论。第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。

本书介绍当前推荐系统领域中的经典方法。不仅详细讨论了各类方法，还对同类技术进行了归纳总结，这有助于读者对当前推荐系统研究领域有全面的了解。书中提供了大量的例子和习题来帮助读者深入理解和掌握相关技术。此外，本书还介绍了当前新的研究方向，为读者进行推荐系统技术的研究提供参考。本书既可以作为计算机相关专业本科生和研究生的教材，也适合开发人员和研究人员阅读。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。

本书系统介绍推荐系统的技术理论和实践。首先介绍推荐系统的基础知识；然后介绍推荐系统常用的机器学习和深度学习模型；接着重点介绍推荐系统的4层级联架构，包括召回、粗排、精排和重排，以及谷歌、阿里巴巴等大型互联网公司在4层级联架构中的模型设计和实现原理；紧接其后介绍多目标排序在推荐系统中的应用，具体介绍阿里巴巴、谷歌等大型互联网公司的实践；最后从不同角度审视推荐系统，介绍公平性问题、知识蒸馏、冷启动等各种前沿实践。本书基于一线研发人员的视角向读者分享推荐系统的实践经验，所有模型结构和前沿实践都在业务场景中落地。 本书适合推荐系统领域的从业者、高校科研人员、高校计算机专业学生，以及对推荐系统感兴趣的产品研发人员和运营人员阅读。

大模型技术掀起了新一轮人工智能浪潮，以ChatGPT 为核心的大模型相关技术可以应用于搜索、对话、内容创作等众多领域，在推荐系统领域的应用也不例外。本书主要分为3 部分。第1 部分简单介绍大模型相关技术，包括大模型的预训练、微调、在线学习、推理、部署等。第2 部分将大模型在传统推荐系统中的应用抽象为4 种范式——生成范式、预训练范式、微调范式、直接推荐范式，并对每种范式给出算法原理说明、案例讲解和代码实现。第3 部分以电商场景为例，讲解大模型在电商中的7 种应用，包括生成用户兴趣画像、生成个性化商品描述信息、猜你喜欢推荐、关联推荐、解决冷启动问题、推荐解释和对话式推荐，每种应用场景都包含完整的步骤说明和详细的代码实现，手把手教你构建大模型推荐系统。

大模型技术掀起了新一轮人工智能浪潮，以ChatGPT 为核心的大模型相关技术可以应用于搜索、对话、内容创作等众多领域，在推荐系统领域的应用也不例外。本书主要分为3 部分。第1 部分简单介绍大模型相关技术，包括大模型的预训练、微调、在线学习、推理、部署等。第2 部分将大模型在传统推荐系统中的应用抽象为4 种范式——生成范式、预训练范式、微调范式、直接推荐范式，并对每种范式给出算法原理说明、案例讲解和代码实现。第3 部分以电商场景为例，讲解大模型在电商中的7 种应用，包括生成用户兴趣画像、生成个性化商品描述信息、猜你喜欢推荐、关联推荐、解决冷启动问题、推荐解释和对话式推荐，每种应用场景都包含完整的步骤说明和详细的代码实现，手把手教你构建大模型推荐系统。

本书由五部分组成：推荐系统的技术、评估、应用、人机交互及高级话题。第 一部分展示了如今构建推荐系统的流行和基础的技术，如协同过滤、基于语义的方法、数据挖掘方法和基于情境感知的方法。第二部分主要关注离线和真实用户环境下用于评估推荐质量的技术及方法。第三部分包括了一些推荐技术多样性的应用。首先简述了与工业实现和推荐系统开发相关的一般性问题，随后详细介绍了推荐系统在各领域中的应用：音乐、学习、移动、社交网络及它们之间的交互。第四部分包含了探讨一系列问题的文章，这些问题包括推荐的展示、浏览、解释和视觉化以及人工决策与推荐系统相关的重要问题。第五部分收集了一些关于高级话题的文章，例如利用主动学习技术来引导新知识的学习，构建能够抵挡恶意用户攻击的健壮推荐系统的合适技术，以及结合多种用户反馈和偏好来生成更加可靠的推荐系统。

推荐系统无处不在，已经成为我们日常生活的一部分。本书由LinkedIn公司的两位技术专家撰写，着眼于推荐系统的核心——统计方法，不仅介绍算法理论，而且包含实验分析及结果展示，分享了作者丰富的实战经验。 书中对推荐系统进行了全面讨论，特别是面向日益突显的多反馈和多目标优化问题，深入分析了当前先进的统计方法，如自适应序贯设计（多臂赌博机方法）、双线性随机效应模型（矩阵分解）以及基于MapReduce分布式框架的可伸缩模型，为热门推荐和个性化推荐提供了实用的解决方案。全书将基于回归的响应预测方法作为主要工具，兼顾实验设计和统计模型开发，关注探索和利用之间的权衡。