小册上新 | 推荐系统完全指南

推荐系统是各大互联网公司不可或缺的重要模块，它以“千人千面，万人万解”的特点，为用户提供个性化的内容，直接影响公司收益。

根据历史数据，Amazon 35% 的销售来自推荐，Netflix 2/3 的电影碟片出租来自推荐，Google News 的推荐系统更是为其增加了 38% 的点击率。

为什么推荐人才的薪资普遍偏高？

国内外各大互联网公司，对于推荐系统方面的人才也是趋之若鹜，推荐算法相关岗位的薪酬也显著高于其它技术岗。

这是因为推荐系统相关的优秀算法工程师非常稀缺，供需严重不平衡。而造成这种不平衡的根本原因是，根本原因是 推荐系统的门槛不低，它拥有一套完全独立的知识体系和方法论 。

首先，推荐系统涉及的 知识面非常广和深 。我们不仅需要了解各种类型的业务，掌握各种数据分析的方法，还需要掌握机器学习的原理，精通推荐的各种模型。

其次， 实际落地推荐系统的过程与理论知识有较大差距 。我们不能一味地只追求推荐模型如何厉害，而是需要根据不同的阶段进行合理规划，什么时候上策略，什么时候上召回，什么时候上深度学习，这些经验都需要在工作中一点一滴地累积。

最后，推荐算法同学常常需要背负 业务指标高增长的 KPI 。这需要我们能够结合实际情况，有针对性地提出解决方案，对推荐算法的各种策略、各种算法融会贯通。

因此，即使是拥有机器学习基础的同学想要系统掌握也非常困难，只不过在初期理解上相对轻松一些。那我们到底该如何学习推荐系统呢？

如何学习推荐系统？

为了让大家能够构建出推荐系统的完整知识体系，掌握核心技术，还能灵活应用到实际工作中， 《推荐系统完全指南》 这本小册会围绕推荐系统的 核心链路 展开讲解，也就是 召回 -> 粗排 -> 精排 -> 重排 -> 策略 。其中，每一层又会从基础到进阶再到高阶，抽丝剥茧地讲解每项技术所要解决的问题，以及遗留下来的不足，让大家能够 形成一个清晰的脉络 。当然，还会搭配实际的应用场景。

• 基础部分会围绕推荐系统的各项入门级技术讲解，比如：统计学、机器学习、EE、CF、LR 等，很多技术会伴随着整个推荐系统的生命周期。
• 进阶部分是指度过了推荐系统的初始阶段后，为进一步提升推荐效果，我们会学习使用一些较复杂的算法，比如：GBDT+LR、FM、DeepWalk 等。
• 高阶部分，我们会学习业界的最佳范式，包括召回、粗排和精排，其中还会包括一些复杂的场景，如多目标、重排、知识蒸馏等。

作者是谁？

作为一名有着十年以上从业经验的互联网老兵，周兴博负责过 10 亿+用户量级的推荐系统，积累了丰富的理论知识和实践经验，非常懂得“如何从入坑到发疯地掌握一门技术”。

而且在过去的数年时间里，他坚持不懈地在一线死磕推荐系统，一次又一次地突破了自己的认知。这些通过亲身经历才沉淀下来的知识和经验，他非常希望分享给那些想要从事推荐系统，或想要进一步提高能力的同学们。就算不能立马让他们成为推荐系统方面的“大神”，起码能帮助他们理解其中的原理，形成自己的知识体系，更高效地达成业务目标，少走很多弯路。

哪些人适合学？

学习基础：了解机器学习和推荐算法的基础概念，有过简单实践更好

• 推荐系统行业一线工程师，遇到瓶颈期，缺乏进阶方向；
• 推荐方向的策略产品经理，想要与推荐算法同学高效沟通、对接，提出可落地的策略方案；
• 对推荐系统算法工作感兴趣的学生、工程师，想要了解真实推荐系统的知识体系，增加工作机会。

上新特惠，限时 6 折

7 月 20 日 ~ 7 月 27 日 ，小册正值上新特惠，限时 6 折，仅需 ￥23.94 ！

赶紧点击下方图片或者扫描海报二维码，让我们正式开始这场推荐系统之旅吧！