深度学习推荐系统

推荐系统这个岗位，变化太快 + 门槛两极分化 + 业务强依赖。我给你拆开讲，再配具体例子👇 ⸻ 一、技术变化太快（今天的SOTA，半年后可能就过时） 推荐系统是最“追热点”的领域之一： • 早期：协同过滤（ItemCF、UserCF） • 后来：矩阵分解（MF） • 再后来：FM / DeepFM / Wide&Deep • 再到：DIN / DIEN / DLRM • 现在：多模态 + LLM + RAG + Agent 👉 每一代技术更替周期非常短 举例 一个工程师： • 2018年精通 FM + LR • 2020年行业主流变成 DeepFM / DIN • 2023年开始搞多模态（图像+文本） • 2025年开始接入 LLM 做推荐解释 / rerank 👉 如果你停在 FM 时代 👉 基本 = 直接被淘汰 ⸻ 二、模型很容易被“替代”（工程价值 > 算法本身） 推荐系统有个残酷现实： 👉 很多模型差距其实没那么大 比如： • A模型 CTR = 10.2% • B模型 CTR = 10.4% 差 0.2%，但： 👉 上一个工程师做的 👉 下一个人用开源模型 + AutoML 就能复现甚至超过 举例 一个推荐工程师花3个月： • 手调特征 • 调参 • 优化 loss 结果上线后： 👉 新人直接用现成的 • TensorFlow Recommenders • PyTorch DLRM • 或 AutoML 👉 1周做到差不多效果 ➡️ 原工程师的“不可替代性”很低 ⸻ 三、业务导向极强（不是你模型好就行） 推荐系统不是科研，而是： 👉 强业务 KPI 驱动 • CTR • CVR • GMV • 留存 如果效果不好： 👉 不管你模型多高级 👉 直接被换方案 / 换人 举例 你做了一个很复杂的模型： • Transformer + 多模态 + attention 结果： • CTR 只提升 0.1% 但另一个简单策略： • “热门商品 + 类目过滤” 👉 提升 0.5% ➡️ 公司会选谁？ 👉 答案很现实 ⸻ 四、数据依赖极重（不是你强，是数据强） 推荐效果很大程度取决于： • 数据量 • 数据质量 • 特征工程 而不是模型本身 举例 两个公司： A公司（大厂） • 亿级用户行为 • 完整画像 B公司（小公司） • 数据稀疏 • 用户少 👉 同一个推荐工程师： • 在A：效果很好 • 在B：效果很差 ➡️ 看起来像“能力不行” 其实是“数据不行” 👉 但现实是：人会被评价为不行 ⸻ 五、线上系统复杂（不只是算法） 推荐工程师其实干的是： • 特征工程 • 数据 pipeline • 实时流处理（Kafka / Flink） • 在线服务（低延迟） • A/B测试 • 监控 👉 一旦你只会“建模”，就危险 举例 一个只会： • PyTorch建模 • 调loss 的人 面对： • Kafka lag • 特征延迟 • online/offline不一致 👉 直接懵 ➡️ 很快被“工程型推荐工程师”替代 ⸻ 六、ROI压力极大（你必须“值钱”） 推荐系统是直接影响收入的系统： 👉 每个工程师都要回答一个问题： “你带来了多少GMV？” 如果回答不了： 👉 就很危险 举例 两个工程师： A： • 做复杂模型 • 没明显业务提升 B： • 优化曝光策略 • GMV +5% 👉 留谁？ 不用想 ⸻ 七、AI（尤其是LLM）正在重构推荐系统 现在趋势： • LLM 做 rerank • embedding 一体化 • 多模态统一模型 👉 很多传统推荐技能正在被“抽象掉” 举例 以前你要： • 手工做特征 • 设计embedding 现在： • 用 LLM embedding • 用 vector search + rerank 👉 推荐系统工程复杂度下降 👉 人的可替代性上升 ⸻ 总结一句话 👉 推荐工程师容易“被淘汰”的本质是： 这是一个“高速进化 + 强业务结果导向 + 工程替代性高”的岗位

抖音 在2025年3月底公布了自己推荐算法，告诉所有人为什么会看到一条视频的背后算法，而这个文章所有的引用都出自这本书，这就是我看这本书的理由，是不是很充分？对，这也应该是你看这本书的理由.具体文章链接不发了，各自搜吧.

写得非常不错！虽然我不是做推荐的，看下来也觉得受益匪浅。 书里很多观点都和我不谋而合。不管做推荐算法还是其他算法，归根到底是“解决问题”。解决一个问题，答案不会是“调参”，“换个SOTA试试”，这是“瞎猜”；更不会是“加点规则得了”，“还不如洗数据”，这是“短视”。算法应用就像写物理题，“物理定律”是“知识”，光有知识是不够的，如何应用知识解题才是关键。 书中最后一章对算法工程师的4个能力纬度建模我深以为然。知识，工具，逻辑，业务。知识是技术层面的，机器学习深度学习领域各种模型各种优化方法的motivation是什么，实现方法是什么。工具也是技术层面的，关于如何将知识转换为具体的模型服务。一方面是检索能力和判断能力，如果我的需求有开源包就能解决，那我只需要使用这个现成的工具；但如果没有相关实现或相关实现与我的需求不符，那需要通过编码能力将想法落地，构建“mytool”。而逻辑是业务需求到模型服务的转换器。如何去建模业务需求，利用业务知识来构建和优化模型，就需要靠聪明的大脑了。比如推荐领域把业务上的推荐问题转换为模型训练时的点击率预测问题，就是逻辑应用的一个例子。最后是业务，分析解析业务来Inlight模型优化是比“随便试个SOTA”更靠谱的方案。

20年第一次看这本书纸质版的时候，感觉总结的非常系统，用到的技术也很前沿。 24年8月再看，无不惊叹推荐系统的进步，这些知识已经变成了基础知识，并且感受到国外的深度学习技术一直是从宏观的、创新的角度做发明，可以开启新的赛道，我们国内优秀如阿里巴巴更像是一位很卷、可以得高分的考试性选手。 一代人有一代的使命，希望中国的教育改革可以培养更多的创新式人才。

《深度学习推荐系统》围绕“如何用深度学习打造工业级推荐系统”这一核心问题展开，全书可以拆解为四个层次： 1. ​​深度学习推荐模型​​ • 系统梳理从早期协同过滤、逻辑回归、因子分解机到如今深度学习模型的演进脉络，说明每种模型的适用场景与优缺点。 • 详细介绍常用的深度神经网络架构在推荐场景下的设计思路与改进方向。 2. ​​Embedding 与特征学习​​ • 讲解如何利用 Embedding 技术把高维稀疏特征映射为低维稠密向量，实现用户和物品的统一表征，并在召回层、排序层中发挥关键作用。 3. ​​工程实现与系统架构​​ • 描绘推荐系统的整体工程流水线：数据采集、特征工程、模型训练、线上部署与监控。 • 对比 Spark MLlib、Parameter Server、TensorFlow、PyTorch 等主流训练平台的原理与适用条件。 • 给出模型服务化、A/B 测试、灰度发布等线上实践方法。 4. ​​评估、优化与前沿​​ • 介绍离线指标（准确率、召回率、F1 等）与在线指标（点击率、转化率）的评估体系，以及特征重要性、模型解释性工具的使用。 • 探讨深度学习与强化学习、多目标优化结合的前沿方向，并通过 YouTube、阿里巴巴、Airbnb、Netflix 等案例展示业界最佳实践。 读完本书，读者既能理解深度学习推荐背后的理论，也能掌握从数据到线上服务的全流程工程方法，为构建高效、可扩展的推荐系统奠定坚实基础。

21年:只能说牛逼，作者功力太深，对机器学习和推荐系统的理解都很到位，学习中，内容很多，需要常看。 23年:chatgpt出现后，nlp从业者回来再看推荐方面的东西了，感觉LLM结合一些推荐RL可以碰撞出新火花

王喆老师提供的实战项目的源码在 https://github.com/wzhe06/SparrowRecSys

说实话，大部分公式和原理是看不懂的 不过这是因为我非算法工程师 但是从内容策略业务的角度，感觉本书讲的非常专业 其中有一些小的地方跟我以前在业务中算法大佬讲的原理一模一样 原来企业中那些大家奉为宝典的文档也是神作中摘抄的一部分 最后，竟然从这本书看到大量关于线性代数的东西 大学上了那么久的课也不知道向量这玩意到底有啥用 理论教育如果结合实践，可能学生可以更好的理解和激发更大的兴趣 当然从某个角度来说，还是自己不够理解这些东西

三段实习有两段都是在做java搜推工程，但是对Java工程中的搜推还是不要理解要点或者说最有力的竞争点在哪😭所以来读这本书

数学公式部分跳过了不少。 奈何确实看不懂。 但是建立对推荐系统的基本概念。 对我们自有小社区初建非常有帮助，算是开卷有益。 起码我了解了，大约有哪些开源项目应该要多关注。相信在2026年的今天，很多开源项目的部署在一些高级工程师的支持下可以完成低成本的工程化的线上执行。