AI 知识库Recommender systems
推荐系统是AI在工业界最重要的应用之一，从传统的协同过滤到现代的大模型推荐，本节涵盖推荐系统的完整学习路径。
8.1 推荐系统学习路径（WIP）
8.1.1 学习业务
搜索&广告&推荐的scope不太一样：
- 搜索: 关注query召回，理解用户搜索意图
- 广告: 关注广告主&广告平台&用户体验三方博弈
- 推荐: 关注长期生态，用户长期价值最大化
核心差异:
- 推荐只看item融合得分的序是否准确
- 广告还要保证得分的距离（涉及到出价机制）
- 一般来说，推荐系统item得分可以简单概括为：recall → ctr × cvr
- 广告系统还要乘上bid(出价）和deep_cvr得分（如付费金额）
业务理解建议: 不管是搜索广告还是推荐，都建议买一本《计算广告》把业务读懂。
8.1.2 学习模型
推荐系统模型发展历程：
- 传统方法: 协同过滤、矩阵分解
- 深度学习: DeepFM、Wide&Deep、DIN等
- 预训练模型: BERT4Rec、SASRec等
- 大模型时代: LLM4Rec、ChatRec等
8.2 推荐学习资料
8.2.1 王树森推荐系统课程
- 视频地址: B站推荐系统课程
- 特色: 理论与实践并重，工业界经验丰富
- 内容: 从基础的协同过滤到深度学习推荐模型
8.2.2 Datawhale大模型推荐系统组队学习
- 教程地址: GitHub仓库
- 在线网站: https://datawhalechina.github.io/fun-rec/
- 特色: 组队学习模式，适合初学者入门
8.2.3 《互联网大厂推荐算法实战》
- 资源链接: 知乎文章介绍
- 特色: 工业界实战经验分享
- 内容: 大厂推荐算法的实际应用案例
8.3 初学者实战项目
8.3.1 阿里天池新闻推荐系统
- 比赛地址: 天池新闻推荐
- 特色: 真实业务场景，数据质量高
- 学习价值: 完整的推荐系统开发流程
推荐系统实战项目合集: 整理更多实战项目资源
8.4 推荐系统学习笔记
推荐系统学习笔记表格: 查看完整的学习笔记整理
核心内容包括:
- 经典推荐算法原理
- 深度学习推荐模型
- 工业界部署经验
- 评估指标和优化策略
8.5 推荐系统项目论文（待筛选）
GitHub论文合集，持续更新。内容比较贴近业务，不太涉及生成式推荐。
推荐系统论文筛选表格: 查看完整的论文筛选列表
筛选状态:
- 未开始：待筛选
- 评估中：正在评估
- 已完成：已审理完成
- 不推荐：质量不达标
- 未开源：代码未开源
LLM4REC
大模型在推荐系统中的应用，包括：
- 预训练推荐模型: 使用大规模数据预训练
- 生成式推荐: 将推荐转化为生成任务
- 多模态推荐: 结合文本、图像等多模态信息
- 对话式推荐: 基于自然语言交互的推荐
8.6 相关比赛
腾讯广告大赛
- 官网: https://algo.qq.com
- 赛题特点: 参赛者需基于脱敏处理后用户的协同、文本、视觉等全模态历史行为数据，预测其下一次可能交互的广告
- 技术要求: 每个行为包含广告的ID类特征，以及多模态信息(如图像、文本等)
- 创新方向: 通过提供基线模型，增加方案评审环节等方式，引导选手突破传统判别式推荐算法框架，探索生成式推荐
多模态短视频点击预测项目 - 马栏山杯
- 官网: https://challenge.ai.mgtv.com/
- 赛题: 基于芒果TV的多模态特征，结合用户特征和行为数据，预测用户观看的视频和完播率
- 技术亮点: 2025 MGTV多模态视频推荐0.256+baseline完整分享
Kaggle Playground - FlightRank2025
- 赛题: 2025旅客个性化航班推荐
- 目标: 构建智能航班排名模型，预测商务旅客将从搜索结果中选择哪个航班选项
- 参考方案: CatBoost Ranker Baseline
技术发展趋势
传统推荐 → 大模型推荐
- 表示学习: 从稀疏特征到dense embedding
- 序列建模: 从静态特征到动态序列
- 多模态融合: 从单一模态到多模态信息
- 生成式推荐: 从判别式模型到生成式模型
工业界部署考虑
- 延迟要求: 毫秒级响应时间
- throughput: 高并发请求处理
- 存储优化: 模型压缩和量化
- A/B测试: 在线效果评估
评估指标体系
离线指标:
- 准确率类：Precision, Recall, F1
- 排序类：NDCG, MAP, MRR
- 多样性：Coverage, Diversity
在线指标:
- 点击率 (CTR)
- 转化率 (CVR)
- 停留时间
- 用户留存
学习建议
- 业务理解优先: 深入理解推荐业务的本质和目标
- 算法进阶: 从经典算法开始，逐步深入深度学习方法
- 实战导向: 通过项目和比赛积累实际经验
- 工程能力: 重视系统设计和工程实现能力
- 持续学习: 关注大模型等前沿技术在推荐中的应用
其他摘要
- LLM4REC（大模型推荐）
- 学习路径（WIP）：学习业务、学习模型
- 推荐学习资料：王树森、Datawhale、实战项目