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(shì)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(jià)值 9

1.2.2　策采編發(fā)的全鏈路重塑 11

1.3　激勵(lì)相容的生態(tài)機(jī)制創(chuàng)新 13

1.3.1　從廣告拍賣(mài)機(jī)制說(shuō)起 13

1.3.2　推薦中的生態(tài)機(jī)制設(shè)計(jì) 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(zhuān)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(jī)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(duì)抗和擴(kuò)散范式下的內(nèi)容生成 33

2.2.4　大模型時(shí)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(zhǎng) 43

3.1　從AARRR模型看用戶增長(zhǎng) 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(zhǎng) 50

3.2.1　從網(wǎng)絡(luò)效應(yīng)看推薦產(chǎn)品演進(jìn) 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(shí)的常見(jiàn)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(wèn)題的定義與評(píng)價(jià) 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(pán)決策的AlphaGo說(shuō)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(shí)踐思路 68

第5章　元學(xué)習(xí)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(wú)關(guān)的MAML方法 72

5.1.2　MAML方法的推薦實(shí)踐 74

5.2　基于比較歸納的范式 77

5.2.1　從度量學(xué)習(xí)到對(duì)比學(xué)習(xí) 77

5.2.2　比較歸納方法的推薦實(shí)踐 80

5.3　仿生記憶機(jī)制的范式 82

5.3.1　從神經(jīng)圖靈機(jī)到大模型 82

5.3.2　仿生記憶方法的推薦實(shí)踐 86

第6章　A/B測(cè)試是增長(zhǎng)的銀彈嗎 88

6.1　A/B測(cè)試的原理和優(yōu)勢(shì) 88

6.1.1　A/B測(cè)試的原理 88

6.1.2　A/B測(cè)試的優(yōu)勢(shì) 91

6.2　濫用A/B測(cè)試時(shí)的增長(zhǎng)困境 92

6.2.1　難以優(yōu)化留存等長(zhǎng)期目標(biāo) 92

6.2.2　難以反向優(yōu)化出新市場(chǎng) 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(wàn)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(mén)戶的發(fā)展史 103

7.1.2　雅虎新聞推薦的興衰 105

7.2　針對(duì)突發(fā)新聞的實(shí)時(shí)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(dòng)起來(lái)的樹(shù)模型 111

第8章　獲取信息的資訊推薦 114

8.1　屢失良機(jī)的谷歌推薦 114

8.1.1　對(duì)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(yǔ)義匹配的主流技術(shù) 120

8.2.2　近無(wú)損全庫(kù)遍歷的ANN檢索 123

8.3　從峰終定律看排序策略設(shè)計(jì) 125

8.3.1　不同需求模式下的體驗(yàn)設(shè)計(jì) 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(yuǎn)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(qiáng)化社交效用時(shí)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(wèn)題 144

9.3.1　滿意即流失的婚戀場(chǎng)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(chǎng)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(qiáng)化關(guān)系的穩(wěn)定建立 156

10.1.3　引導(dǎo)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(wú)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(jiǎn)單健壯的投票機(jī)制 167

第 11章　模擬社交的協(xié)同過(guò)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(duì)協(xié)同關(guān)系的仿真建模 172

11.2.1　從復(fù)雜網(wǎng)絡(luò)看推薦系統(tǒng) 172

11.2.2　對(duì)局部近鄰關(guān)系的仿真 177

11.2.3　對(duì)全局拓?fù)浣Y(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(guò)濾的核心優(yōu)勢(shì) 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(duì)百視達(dá)的逆襲 189

12.1.2　奈飛對(duì)自我的不斷革新 191

12.2　優(yōu)化線下體驗(yàn)的評(píng)分預(yù)測(cè) 193

12.2.1　評(píng)分預(yù)測(cè)產(chǎn)品的興衰 193

12.2.2　評(píng)分預(yù)測(cè)算法的演進(jìn)趨勢(shì) 195

第 13章　和電視競(jìng)爭(zhēng)的短視頻推薦 200

13.1　激勵(lì)相容的YouTube生態(tài)機(jī)制 200

13.1.1　多方受益的Content　ID機(jī)制 201

13.1.2　穩(wěn)固自建生態(tài)的YPP機(jī)制 202

13.1.3　革新廣告效率的TrueView機(jī)制 203

13.2　直面海量候選的深度學(xué)習(xí)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(xùn)的復(fù)雜模型 207

13.2.3　提升模型魯棒性的樣本設(shè)計(jì) 210

13.3　優(yōu)化長(zhǎng)期時(shí)長(zhǎng)收益的強(qiáng)化學(xué)習(xí) 212

13.3.1　YouTube優(yōu)化目標(biāo)的變遷史 213

13.3.2　價(jià)值方法的原理和實(shí)踐 216

13.3.3　策略方法的原理和實(shí)踐 220

第 14章　以快打慢的微視頻推薦 225

14.1　以音樂(lè)為內(nèi)核的抖音 225

14.1.1　放棄內(nèi)容時(shí)長(zhǎng)的反向創(chuàng)新 225

14.1.2　從行為心理學(xué)看產(chǎn)品設(shè)計(jì) 227

14.1.3　以音軌為模板的爆款復(fù)制 229

14.2　不求最優(yōu)化，但求多目標(biāo) 230

14.2.1　道法自然的多目標(biāo)融合 231

14.2.2　觸類(lèi)旁通的多任務(wù)學(xué)習(xí) 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(jìn) 241

15.1.1　逆襲易趣的關(guān)鍵勝負(fù)手 241

15.1.2　高筑C端流量的護(hù)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(dòng)傳播的輕品類(lèi)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(shí)回報(bào)的優(yōu)化思路 252

16.1.1　起源于廣告的點(diǎn)擊率預(yù)估 252

16.1.2　正例稀疏的轉(zhuǎn)化率預(yù)估 260

16.1.3　和NLP同源的序列信號(hào)建模 264

16.2　看重長(zhǎng)期回報(bào)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