从本书可以了解一个工业级推荐系统的全貌，也可以比较深入的去了解各个模块的算法的来龙去脉。推荐阅读，以下是读本书前列的为什么读本书的两个问题： 1、如今互联网各种平台都用的是推荐系统，为什么会不约而同的使用推送技术？了解下这种技术及背后的逻辑 Q：因为随着互联网的发展，海量的内容和天量的用户要能匹配才能提高信息获取效率，而背后的推手是电商平台和社交平台的商业诉求。这个技术从内容理解到用户匹配及提高匹配精度一系列技术有长足的进步（主要是各种算法），另外就是算力进步的红利，让各种耗费大量算力的算法得以实现。最后是 AB 面实验（医学上叫双盲实验）方法能验证和评价推荐系统，本质上也是因为通过这套系统确实能给平台带来商业价值，所以各平台持续推进推荐系统的相关技术不断向前发展。 2、对推送技术及算法有个大概的了解，了解工业级推荐系统的全貌 Q：推荐系统的核心模块有：内容理解、用户画像、召回、排序、重排，还有评价体系的 AB 面实验，另外还有个冷启动，针对新用户进行的一系列策略。从本书可以了解一个工业级推荐系统的全貌，也可以比较深入的去了解各个模块的算法的来龙去脉。
前同事写的书，内容很扎实成体系，值得推荐
从本书可以了解一个工业级推荐系统的全貌，也可以比较深入的去了解各个模块的算法的来龙去脉。推荐阅读，以下是读本书前列的为什么读本书的两个问题： 1、如今互联网各种平台都用的是推荐系统，为什么会不约而同的使用推送技术？了解下这种技术及背后的逻辑 Q：因为随着互联网的发展，海量的内容和天量的用户要能匹配才能提高信息获取效率，而背后的推手是电商平台和社交平台的商业诉求。这个技术从内容理解到用户匹配及提高匹配精度一系列技术有长足的进步（主要是各种算法），另外就是算力进步的红利，让各种耗费大量算力的算法得以实现。最后是 AB 面实验（医学上叫双盲实验）方法能验证和评价推荐系统，本质上也是因为通过这套系统确实能给平台带来商业价值，所以各平台持续推进推荐系统的相关技术不断向前发展。 2、对推送技术及算法有个大概的了解，了解工业级推荐系统的全貌 Q：推荐系统的核心模块有：内容理解、用户画像、召回、排序、重排，还有评价体系的 AB 面实验，另外还有个冷启动，针对新用户进行的一系列策略。从本书可以了解一个工业级推荐系统的全貌，也可以比较深入的去了解各个模块的算法的来龙去脉。
2024.No61： 24年第30本技术书。3.5小时快速浏览完。适合有搜索及推荐等相关经验的开发者，非推荐系统入门书籍。书中充斥着大量的缩写，各种各样的模型；几乎都是当前最新的技术路线或研究方向；如果想要深入理解这些技术或模型，尚需进一步学习、研究、及实战。 章节设置很合理：概述、内容理解（才能进行推荐）、用户画像（属性和标签）、召回（传统、向量化、基于用户行为序列、图Embedding）、排序、重排、冷启动、特征工程、AB实验（验证推荐算法）。绘制（或引用）的架构图、思维导图是加分项。 对于模型之间的或细微或较大的区别，几乎没有提及。 另外，书里有好几个缩写都没有给出对应的英文全拼和中文翻译，这是不太专业的。
《推荐系统》是提供了一系列的推荐算法。关键的三个环节：召回、粗排序、精排序。粗排可以给精排减少一定的压力。召回是从所有内容里。挑选1%或万分之一的内容。然后排序，循环往复，它形成一个漏斗，最终返给返回给前台的用户，展示的是100或者是十个内容。推荐算法的一个简单的抽象。第二个关键点是能起到去保障靠他的一个匹配度。冷启动基本还是靠用户的兴趣标签（用户画像）。尽可能的去收集用户信息。比如说小红书在第一次进入的时候，会让你勾选一些感兴趣的内容。你的性别年龄之类的一些信息。
牛皮啊，我买的纸质书才到，你为什么不提前上架呢，啊啊啊啊啊
推荐系统是商业化最成功的机器学习应用场景之一，打车、外卖、购物，刷视频、听音乐、下载应用等等，无处不在的内容推荐，已经非常深远地影响了我们的工作和生活。本书从内容理解、用户画像、召回、粗排、精排、重排等各环节系统性的介绍了推荐系统的原理和应用，是很好的入门科普书籍。
讲得很全面，阅读体验很流畅，深入浅出，对于策略产品的我很友好
还可以，干活比较多，偏算法的多一些。
像那种为评职称拼凑的书
好适合我！深入浅出～对互联网的神奇算法印象又加深了一步！
很不错的科普书，深入浅出
深入浅出，很全面，可以全局了解推荐系统，难得
专业性较强 涉及算法模型代码这些专业内的人才看得懂 但推荐算法、排序、评估相关的思路，模型对技术外研究用户，研究内容的朋友应该是有用处的
推荐系统初探，知识量较大，如果深入研究还需要阅读各种论文、材料。
简单了解下