資料來源與整理脈絡#

本筆記整合推薦系統領域的經典書籍與專欄內容，主要參考項亮《推薦系統實踐》、王喆《深度學習推薦系統》、以及極客時間《推薦系統三十六式》一類專欄，並補充 BPR、Wide & Deep、DeepFM、DIN、YouTube DNN 等代表性論文與業界部落格的工程實踐。切入角度刻意把「演算法原理（algorithm）—工程實踐（engineering）—系統架構（system architecture）」三條軸線並排處理：每章既講模型怎麼推導、也談線上怎麼跑、為什麼選這個方案。相較於偏教科書或偏面試題庫的資源，本倉庫補上的是從召回到重排、從離線到線上的 end-to-end 鏈路取捨脈絡。

完整摘要#

全書十章、約 2800 行筆記，按「基礎—進階模型—系統與工程」三段式鋪陳。概論（01） 先定義推薦系統的本質（在用戶與物品之間建立連接）、漏斗式核心流程（召回 ➡️ 粗排 ➡️ 精排 ➡️ 重排）以及冷啟動、探索利用、解釋性三大常見問題，奠定後續章節的共同詞彙。使用者建模（02） 處理用戶畫像（user profile）、隱式回饋為主的行為資料、從標籤到 Embedding 的演進，以及基於內容的推薦冷啟動策略。協同過濾（03） 與矩陣分解（04） 是召回層的兩大基礎：前者比較 User-Based 與 Item-Based 的取捨、相似度計算與工程挑戰；後者從 SVD、隱因子模型、隱式回饋處理（ALS）一路推到 BPR（面向排序的損失）與 ANN 向量檢索（FAISS、HNSW）。Bandit（05） 切入探索與利用的權衡，從 ε-greedy、UCB、Thompson Sampling 到 LinUCB 等 Contextual Bandit，解決冷啟動與資訊繭房問題。排序模型（06） 與深度學習推薦（07） 對應精排層的演進：從 LR、GBDT、LR+GBDT、FM、FFM 到 Wide & Deep、DeepFM、雙塔模型（Two-Tower）、YouTube DNN、序列建模（DIN、Transformer 推薦），完整呈現工業界十年的模型演進史。系統架構（08） 整合前述模型成三層架構（線上 / 近線 / 離線），討論搜尋、推薦、廣告的架構統一與儲存選型；工程實踐（09） 補上資料採集、去重、即時推薦、實驗平台、服務化等落地細節；品質與安全（10） 收尾於評估指標、A/B 測試、推薦攻防、公平性與商業價值。各章透過「下一章」連結與交叉引用串接，例如 02 章的隱式回饋分類直接決定 03、04 章的模型選型，05 章的冷啟動方案回扣 01 章提出的問題。

適用情境與閱讀路徑#

主要讀者是具備機器學習（machine learning）基礎、想系統性建立推薦系統 end-to-end 視角的 ML 工程師、後端工程師與研究生，以及準備推薦系統面試或正要啟動推薦專案的團隊。建議路徑：新手依序讀 01 ➡️ 02 ➡️ 03 建立直覺；演算法工程師聚焦 03–07，理解模型演進與適用場景；系統工程師重點放在 08–09，理解召回 / 粗排 / 精排的分層落地與實驗平台；產品與評估視角則直接讀 10，掌握指標體系與風險。讀完應能在面對「為什麼選這個模型」「線上效果不如離線怎麼辦」「冷啟動怎麼破」等真實問題時，有結構化的判斷骨架。