作为相关从业者非常非常非常推荐这本书，一言以蔽之，本书的最大价值是成体系化的介绍了推荐系统的演化历程，来龙去脉，可以说是同领域国内完整度最高的一本书，也是最好的一本书，值得多次回顾。 优点：碎片化时代，书籍和技术博客相比，博客可能会把某个小点非常深入的讲解，但是知其然而不知其所以然，十分容易学一个模型忘记上一个模型，而书籍的作者一定是对某个领域有更强的经历和实践才能完成一本书，其最大不可或缺的地方也是描绘了作者心中推荐的蓝图，这是碎片知识无法替代的。 缺点：外行有阅读难度，容易被各种公式劝退，建议把握整体，跳出细节，比如略过模型的推理和讲解，缺少相应的前缀知识短时间研究明白了也会忘记。 既然已经从UGC时代转向了AIGC时代，也用工具来做一下同样的事，以下回答来自相同的prompt：王喆老师的《深度学习推荐系统》，帮忙写一下简短的书评 文心+百度搜索： 王喆老师的《深度学习推荐系统》是一本涵盖了深度学习推荐系统各方面的入门指南。这本书对于想要了解深度学习在推荐系统中的应用的开发人员来说是一本很好的参考书。 书中的内容清晰易懂，对于深度学习中的一些核心概念进行了详细的解释，对于初学者来说非常友好。此外，书中还介绍了多种常用的深度学习算法，包括卷积神经网络、循环神经网络等，以及这些算法在推荐系统中的应用。 在实际应用方面，书中提供了多个案例分析，涵盖了多个领域，如电商、视频流媒体等。这些案例分析对于读者来说非常有用，可以让读者了解如何将深度学习算法应用于实际场景中。 总体而言，王喆老师的《深度学习推荐系统》是一本很好的参考书，适合对深度学习推荐系统感兴趣的读者。书中内容详实，案例分析丰富，对于初学者来说非常友好。如果你正在寻找一本深度学习推荐系统的入门指南，那么这本书绝对是一个不错的选择。 ChatGPT3.5+new bing： 王喆老师的《深度学习推荐系统》是一本介绍深度学习在推荐系统领域的技术革命的书籍。这本书从深度学习推荐模型、Embedding技术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。¹ 这本书在豆瓣上获得了9.3的高分，其中5星占69.4%，4星占27.5%。¹ 源: 与必应的对话， 2023/6/26 (1) 深度学习推荐系统 (豆瓣) - 豆瓣读书. https://book.douban.com/subject/35013197/. (2) 如何评价「深度学习推荐系统」这本书？ - 知乎. https://www.zhihu.com/question/387445184. (3) 《深度学习推荐系统》总结系列一 - 知乎 - 知乎专栏. https://zhuanlan.zhihu.com/p/138446984.
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
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
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。
非常好的一本书，给读者充分展示了推荐系统的设计、模型、评估体系等等方面的内容。这本书主要面向有技术能力的推荐系统算法工程师，所以有很多技术完全看不懂…不过作者讲得简洁、生动且让人容易理解，让小白也可以明白深度学习、推荐系统、推荐算法的架构。 ps: 协同过滤居然是1992年的老能力了，(´▽｀)至今在业务里还经典永流传呢
王喆老师提供的实战项目的源码在 https://github.com/wzhe06/SparrowRecSys
这两周因为肩膀扭伤在家休息，没办法写code就看看书当作focus week，做了推荐系统一年，终于正儿八紧把一本专业书读完了，不得不说，这两年中文的工具书可读性越来越强，不像以前的专业书那么晦涩难懂，同时也感叹于作者的某句点评“推荐工程师是一份挣扎在随时被淘汰边缘的工作”，确实如此，每两周就要更新一次model的设计，尤其是这几年井喷式的新算法横空出世，同时要一直follow industry trend，最好的时代也是最“差”的时代。职业不止，学习不息，共勉。
四🌟，推荐。从理论到实践，从系统到部分，作者算是，事无巨细不厌其烦但是不啰嗦地讲解了。我重点看了工程实践部分，能感受到作者扎实深厚的技术，不是虚的👍。 （还有建议先看第九章，算是导览。感觉会更好点） 作者在极客时间也开了课，在github也有开源项目（https://github.com/wzhe06/SparrowRecSys） “针对某一领域，构建属于自己的知识框架是最重要的，只有建立了知识框架，才能在这个框架的基础上查漏补缺，开枝散叶；只有建立了知识框架，在思考领域相关问题时才能见微知著，深入细节而不忘整体。希望本书为你带来的不仅是解决推荐系统技术问题的具体方法，而是行业内有一定高度的技术格局。”——作者如是说。
《深度学习推荐系统》 深度学习在推荐系统领域～掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。
二刷完毕，第二遍看收获很多，之前囫囵吞枣般扫过的各种深度模型，现在有了更深刻的理解，特别是attention机制的引入，还有对embedding有了不一样的认识，从传统词统计和共现矩阵到何种embedding方法的进化真是了不起，另外就是对于推荐系统的全局认识，包括冷启动，e&e，离线在线评估，大数据平台的接入等等，很多散乱的知识点被很好的串联起来了
本科在学线性代数的时候，一直没有解决一个基本的疑惑：向量到底是什么？ 对于推荐系统来说，向量就是信息的最高效载体，只要可以被信息化的东西，就一定可以被向量化。 中国教育的弊端是：只会告诉你怎么学，永远不说为什么学
比起之前的《推荐原理》，更加生动和干货，由于有几年的业务推荐实践看起来有些非技术数学型的信息触动会很深。 书中提到算法工程师的素质，反过来看跟算法同学协作的业务同学sense：1、【方向准】如何将业务发展&诉求，转换成算法里的目标且持续更新（不同目标的翻译会最大化影响最终结果） 2、【做翻译】如何在大目标下，持续从业务判断，翻译到模型里的特征or策略or模型； 3、【要纠偏】如何针对算法模型里的目标化会带来的生态&负面影响，持续应对调优；
微读🐂🍺，这本书也有了，再多上架一点类似的技术书呀，等我有空了就看看🤤
引用书中一段话来总结：针对某一领域，构建属于自己的知识框架是最重要的，只有建立了知识框架，才能在这个框架的基础上查漏补缺，开枝散叶；只有建立了知识框架，在思考领域相关问题时才能见微知著，深入细节而不忘整体。本书提供了这样一个知识框架，让大家可以在做推荐的时候从深度广度同时去兼顾
作者还是蛮有功底的，从机器学习到深度学习时代，看之间千丝万缕的关联。不过翻下来至少看到两个公式不知道为啥看起来感觉都有印刷错误，影响了点儿观感 不过定位感觉有点不好把握，放出了一大堆公式让人有点劝退。 这次第一遍读，就当粗浅了解推荐系统的前世今生吧，其实各种思想和现在大模型也都互通的，开卷有益 gigo，木桶原理，都是很好的指点哦
作为相关从业者非常非常非常推荐这本书，一言以蔽之，本书的最大价值是成体系化的介绍了推荐系统的演化历程，来龙去脉，可以说是同领域国内完整度最高的一本书，也是最好的一本书，值得多次回顾。 优点：碎片化时代，书籍和技术博客相比，博客可能会把某个小点非常深入的讲解，但是知其然而不知其所以然，十分容易学一个模型忘记上一个模型，而书籍的作者一定是对某个领域有更强的经历和实践才能完成一本书，其最大不可或缺的地方也是描绘了作者心中推荐的蓝图，这是碎片知识无法替代的。 缺点：外行有阅读难度，容易被各种公式劝退，建议把握整体，跳出细节，比如略过模型的推理和讲解，缺少相应的前缀知识短时间研究明白了也会忘记。 既然已经从UGC时代转向了AIGC时代，也用工具来做一下同样的事，以下回答来自相同的prompt：王喆老师的《深度学习推荐系统》，帮忙写一下简短的书评 文心+百度搜索： 王喆老师的《深度学习推荐系统》是一本涵盖了深度学习推荐系统各方面的入门指南。这本书对于想要了解深度学习在推荐系统中的应用的开发人员来说是一本很好的参考书。 书中的内容清晰易懂，对于深度学习中的一些核心概念进行了详细的解释，对于初学者来说非常友好。此外，书中还介绍了多种常用的深度学习算法，包括卷积神经网络、循环神经网络等，以及这些算法在推荐系统中的应用。 在实际应用方面，书中提供了多个案例分析，涵盖了多个领域，如电商、视频流媒体等。这些案例分析对于读者来说非常有用，可以让读者了解如何将深度学习算法应用于实际场景中。 总体而言，王喆老师的《深度学习推荐系统》是一本很好的参考书，适合对深度学习推荐系统感兴趣的读者。书中内容详实，案例分析丰富，对于初学者来说非常友好。如果你正在寻找一本深度学习推荐系统的入门指南，那么这本书绝对是一个不错的选择。 ChatGPT3.5+new bing： 王喆老师的《深度学习推荐系统》是一本介绍深度学习在推荐系统领域的技术革命的书籍。这本书从深度学习推荐模型、Embedding技术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。¹ 这本书在豆瓣上获得了9.3的高分，其中5星占69.4%，4星占27.5%。¹ 源: 与必应的对话， 2023/6/26 (1) 深度学习推荐系统 (豆瓣) - 豆瓣读书. https://book.douban.com/subject/35013197/. (2) 如何评价「深度学习推荐系统」这本书？ - 知乎. https://www.zhihu.com/question/387445184. (3) 《深度学习推荐系统》总结系列一 - 知乎 - 知乎专栏. https://zhuanlan.zhihu.com/p/138446984.
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
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
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。
非常好的一本书，给读者充分展示了推荐系统的设计、模型、评估体系等等方面的内容。这本书主要面向有技术能力的推荐系统算法工程师，所以有很多技术完全看不懂…不过作者讲得简洁、生动且让人容易理解，让小白也可以明白深度学习、推荐系统、推荐算法的架构。 ps: 协同过滤居然是1992年的老能力了，(´▽｀)至今在业务里还经典永流传呢
王喆老师提供的实战项目的源码在 https://github.com/wzhe06/SparrowRecSys
这两周因为肩膀扭伤在家休息，没办法写code就看看书当作focus week，做了推荐系统一年，终于正儿八紧把一本专业书读完了，不得不说，这两年中文的工具书可读性越来越强，不像以前的专业书那么晦涩难懂，同时也感叹于作者的某句点评“推荐工程师是一份挣扎在随时被淘汰边缘的工作”，确实如此，每两周就要更新一次model的设计，尤其是这几年井喷式的新算法横空出世，同时要一直follow industry trend，最好的时代也是最“差”的时代。职业不止，学习不息，共勉。
四🌟，推荐。从理论到实践，从系统到部分，作者算是，事无巨细不厌其烦但是不啰嗦地讲解了。我重点看了工程实践部分，能感受到作者扎实深厚的技术，不是虚的👍。 （还有建议先看第九章，算是导览。感觉会更好点） 作者在极客时间也开了课，在github也有开源项目（https://github.com/wzhe06/SparrowRecSys） “针对某一领域，构建属于自己的知识框架是最重要的，只有建立了知识框架，才能在这个框架的基础上查漏补缺，开枝散叶；只有建立了知识框架，在思考领域相关问题时才能见微知著，深入细节而不忘整体。希望本书为你带来的不仅是解决推荐系统技术问题的具体方法，而是行业内有一定高度的技术格局。”——作者如是说。
《深度学习推荐系统》 深度学习在推荐系统领域～掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。
二刷完毕，第二遍看收获很多，之前囫囵吞枣般扫过的各种深度模型，现在有了更深刻的理解，特别是attention机制的引入，还有对embedding有了不一样的认识，从传统词统计和共现矩阵到何种embedding方法的进化真是了不起，另外就是对于推荐系统的全局认识，包括冷启动，e&e，离线在线评估，大数据平台的接入等等，很多散乱的知识点被很好的串联起来了
本科在学线性代数的时候，一直没有解决一个基本的疑惑：向量到底是什么？ 对于推荐系统来说，向量就是信息的最高效载体，只要可以被信息化的东西，就一定可以被向量化。 中国教育的弊端是：只会告诉你怎么学，永远不说为什么学
比起之前的《推荐原理》，更加生动和干货，由于有几年的业务推荐实践看起来有些非技术数学型的信息触动会很深。 书中提到算法工程师的素质，反过来看跟算法同学协作的业务同学sense：1、【方向准】如何将业务发展&诉求，转换成算法里的目标且持续更新（不同目标的翻译会最大化影响最终结果） 2、【做翻译】如何在大目标下，持续从业务判断，翻译到模型里的特征or策略or模型； 3、【要纠偏】如何针对算法模型里的目标化会带来的生态&负面影响，持续应对调优；
微读🐂🍺，这本书也有了，再多上架一点类似的技术书呀，等我有空了就看看🤤
引用书中一段话来总结：针对某一领域，构建属于自己的知识框架是最重要的，只有建立了知识框架，才能在这个框架的基础上查漏补缺，开枝散叶；只有建立了知识框架，在思考领域相关问题时才能见微知著，深入细节而不忘整体。本书提供了这样一个知识框架，让大家可以在做推荐的时候从深度广度同时去兼顾
作者还是蛮有功底的，从机器学习到深度学习时代，看之间千丝万缕的关联。不过翻下来至少看到两个公式不知道为啥看起来感觉都有印刷错误，影响了点儿观感 不过定位感觉有点不好把握，放出了一大堆公式让人有点劝退。 这次第一遍读，就当粗浅了解推荐系统的前世今生吧，其实各种思想和现在大模型也都互通的，开卷有益 gigo，木桶原理，都是很好的指点哦