深度學習推薦系統

推薦系統這個崗位，變化太快 + 門檻兩極分化 + 業務強依賴。我給你拆開講，再配具體例子👇 ⸻ 一、技術變化太快（今天的SOTA，半年後可能就過時） 推薦系統是最“追熱點”的領域之一： • 早期：協同過濾（ItemCF、UserCF） • 後來：矩陣分解（MF） • 再後來：FM / DeepFM / Wide&Deep • 再到：DIN / DIEN / DLRM • 現在：多模態 + LLM + RAG + Agent 👉 每一代技術更替週期非常短 舉例 一個工程師： • 2018年精通 FM + LR • 2020年行業主流變成 DeepFM / DIN • 2023年開始搞多模態（圖像+文本） • 2025年開始接入 LLM 做推薦解釋 / rerank 👉 如果你停在 FM 時代 👉 基本 = 直接被淘汰 ⸻ 二、模型很容易被“替代”（工程價值 > 算法本身） 推薦系統有個殘酷現實： 👉 很多模型差距其實沒那麼大 比如： • A模型 CTR = 10.2% • B模型 CTR = 10.4% 差 0.2%，但： 👉 上一個工程師做的 👉 下一個人用開源模型 + AutoML 就能復現甚至超過 舉例 一個推薦工程師花3個月： • 手調特徵 • 調參 • 優化 loss 結果上線後： 👉 新人直接用現成的 • TensorFlow Recommenders • PyTorch DLRM • 或 AutoML 👉 1周做到差不多效果 ➡️ 原工程師的“不可替代性”很低 ⸻ 三、業務導向極強（不是你模型好就行） 推薦系統不是科研，而是： 👉 強業務 KPI 驅動 • CTR • CVR • GMV • 留存 如果效果不好： 👉 不管你模型多高級 👉 直接被換方案 / 換人 舉例 你做了一個很複雜的模型： • Transformer + 多模態 + attention 結果： • CTR 只提升 0.1% 但另一個簡單策略： • “熱門商品 + 類目過濾” 👉 提升 0.5% ➡️ 公司會選誰？ 👉 答案很現實 ⸻ 四、數據依賴極重（不是你強，是數據強） 推薦效果很大程度取決於： • 數據量 • 數據質量 • 特徵工程 而不是模型本身 舉例 兩個公司： A公司（大廠） • 億級用戶行爲 • 完整畫像 B公司（小公司） • 數據稀疏 • 用戶少 👉 同一個推薦工程師： • 在A：效果很好 • 在B：效果很差 ➡️ 看起來像“能力不行” 其實是“數據不行” 👉 但現實是：人會被評價爲不行 ⸻ 五、線上系統複雜（不只是算法） 推薦工程師其實幹的是： • 特徵工程 • 數據 pipeline • 實時流處理（Kafka / Flink） • 在線服務（低延遲） • A/B測試 • 監控 👉 一旦你只會“建模”，就危險 舉例 一個只會： • PyTorch建模 • 調loss 的人 面對： • Kafka lag • 特徵延遲 • online/offline不一致 👉 直接懵 ➡️ 很快被“工程型推薦工程師”替代 ⸻ 六、ROI壓力極大（你必須“值錢”） 推薦系統是直接影響收入的系統： 👉 每個工程師都要回答一個問題： “你帶來了多少GMV？” 如果回答不了： 👉 就很危險 舉例 兩個工程師： A： • 做複雜模型 • 沒明顯業務提升 B： • 優化曝光策略 • GMV +5% 👉 留誰？ 不用想 ⸻ 七、AI（尤其是LLM）正在重構推薦系統 現在趨勢： • LLM 做 rerank • embedding 一體化 • 多模態統一模型 👉 很多傳統推薦技能正在被“抽象掉” 舉例 以前你要： • 手工做特徵 • 設計embedding 現在： • 用 LLM embedding • 用 vector search + rerank 👉 推薦系統工程複雜度下降 👉 人的可替代性上升 ⸻ 總結一句話 👉 推薦工程師容易“被淘汰”的本質是： 這是一個“高速進化 + 強業務結果導向 + 工程替代性高”的崗位

抖音 在2025年3月底公佈了自己推薦算法，告訴所有人爲什麼會看到一條視頻的背後算法，而這個文章所有的引用都出自這本書，這就是我看這本書的理由，是不是很充分？對，這也應該是你看這本書的理由.具體文章鏈接不發了，各自搜吧.

寫得非常不錯！雖然我不是做推薦的，看下來也覺得受益匪淺。 書裏很多觀點都和我不謀而合。不管做推薦算法還是其他算法，歸根到底是“解決問題”。解決一個問題，答案不會是“調參”，“換個SOTA試試”，這是“瞎猜”；更不會是“加點規則得了”，“還不如洗數據”，這是“短視”。算法應用就像寫物理題，“物理定律”是“知識”，光有知識是不夠的，如何應用知識解題纔是關鍵。 書中最後一章對算法工程師的4個能力緯度建模我深以爲然。知識，工具，邏輯，業務。知識是技術層面的，機器學習深度學習領域各種模型各種優化方法的motivation是什麼，實現方法是什麼。工具也是技術層面的，關於如何將知識轉換爲具體的模型服務。一方面是檢索能力和判斷能力，如果我的需求有開源包就能解決，那我只需要使用這個現成的工具；但如果沒有相關實現或相關實現與我的需求不符，那需要通過編碼能力將想法落地，構建“mytool”。而邏輯是業務需求到模型服務的轉換器。如何去建模業務需求，利用業務知識來構建和優化模型，就需要靠聰明的大腦了。比如推薦領域把業務上的推薦問題轉換爲模型訓練時的點擊率預測問題，就是邏輯應用的一個例子。最後是業務，分析解析業務來Inlight模型優化是比“隨便試個SOTA”更靠譜的方案。

20年第一次看這本書紙質版的時候，感覺總結的非常系統，用到的技術也很前沿。 24年8月再看，無不驚歎推薦系統的進步，這些知識已經變成了基礎知識，並且感受到國外的深度學習技術一直是從宏觀的、創新的角度做發明，可以開啓新的賽道，我們國內優秀如阿里巴巴更像是一位很卷、可以得高分的考試性選手。 一代人有一代的使命，希望中國的教育改革可以培養更多的創新式人才。

《深度學習推薦系統》圍繞“如何用深度學習打造工業級推薦系統”這一核心問題展開，全書可以拆解爲四個層次： 1. ​​深度學習推薦模型​​ • 系統梳理從早期協同過濾、邏輯迴歸、因子分解機到如今深度學習模型的演進脈絡，說明每種模型的適用場景與優缺點。 • 詳細介紹常用的深度神經網絡架構在推薦場景下的設計思路與改進方向。 2. ​​Embedding 與特徵學習​​ • 講解如何利用 Embedding 技術把高維稀疏特徵映射爲低維稠密向量，實現用戶和物品的統一表徵，並在召回層、排序層中發揮關鍵作用。 3. ​​工程實現與系統架構​​ • 描繪推薦系統的整體工程流水線：數據採集、特徵工程、模型訓練、線上部署與監控。 • 對比 Spark MLlib、Parameter Server、TensorFlow、PyTorch 等主流訓練平臺的原理與適用條件。 • 給出模型服務化、A/B 測試、灰度發佈等線上實踐方法。 4. ​​評估、優化與前沿​​ • 介紹離線指標（準確率、召回率、F1 等）與在線指標（點擊率、轉化率）的評估體系，以及特徵重要性、模型解釋性工具的使用。 • 探討深度學習與強化學習、多目標優化結合的前沿方向，並通過 YouTube、阿里巴巴、Airbnb、Netflix 等案例展示業界最佳實踐。 讀完本書，讀者既能理解深度學習推薦背後的理論，也能掌握從數據到線上服務的全流程工程方法，爲構建高效、可擴展的推薦系統奠定堅實基礎。

21年:只能說牛逼，作者功力太深，對機器學習和推薦系統的理解都很到位，學習中，內容很多，需要常看。 23年:chatgpt出現後，nlp從業者回來再看推薦方面的東西了，感覺LLM結合一些推薦RL可以碰撞出新火花

王喆老師提供的實戰項目的源碼在 https://github.com/wzhe06/SparrowRecSys

說實話，大部分公式和原理是看不懂的 不過這是因爲我非算法工程師 但是從內容策略業務的角度，感覺本書講的非常專業 其中有一些小的地方跟我以前在業務中算法大佬講的原理一模一樣 原來企業中那些大家奉爲寶典的文檔也是神作中摘抄的一部分 最後，竟然從這本書看到大量關於線性代數的東西 大學上了那麼久的課也不知道向量這玩意到底有啥用 理論教育如果結合實踐，可能學生可以更好的理解和激發更大的興趣 當然從某個角度來說，還是自己不夠理解這些東西

三段實習有兩段都是在做java搜推工程，但是對Java工程中的搜推還是不要理解要點或者說最有力的競爭點在哪😭所以來讀這本書

數學公式部分跳過了不少。 奈何確實看不懂。 但是建立對推薦系統的基本概念。 對我們自有小社區初建非常有幫助，算是開卷有益。 起碼我瞭解了，大約有哪些開源項目應該要多關注。相信在2026年的今天，很多開源項目的部署在一些高級工程師的支持下可以完成低成本的工程化的線上執行。