大模型推薦系統實戰 從預訓練到智能代理部署

劉璐，北京大學碩士，研究和從事NLP與推薦算法8年多，曾開發和上線過多個推薦系統，包括信息流推薦系統、音樂推薦系統、廣告推薦系統等，日請求數高達百億。 張玉君，熟悉推薦系統的組成部分與架構，對推薦系統與深度學習模型及大語言模型的結合有深入研究和實戰經驗。熟悉並開發過多種模型結構，負責推薦算法領域的算法架構設計，大語言模型算法的上線和演進等工作。

第 1章　緒論 001
1.1　無處不在的推薦系統 001
1.2　推薦系統的技術演變 003
1.3　大模型概述 005
1.4　大模型與推薦系統結合 006
第 2章　推薦系統基礎 009
2.1　基本推薦算法概覽 009
2.2　基於協同過濾的推薦方法 010
2.3　基於特征的推薦方法 018
2.4　基於序列的推薦方法 028
2.5　推薦系統的設計與構建 033
第3章　大模型基礎 054
3.1　自然語言處理與語言模型 054
3.2　Transformer 060
3.3　大模型的構建與應用 072
第4章　大模型在推薦系統中的應用 085
4.1　大模型與推薦系統的結合 085
4.2　大模型在推薦系統中的應用範式 087
4.3　推薦大模型的預訓練 093
4.4　推薦大模型的微調 100
4.5　常用的推薦數據集 106
第5章　大模型作為推薦模型 111
5.1　基於大模型的推薦召回 112
5.2　基於大模型的序列推薦 118
5.3　基於大模型的推薦排序 124
5.4　融合協同信息與語義知識 133
5.5　基於檢索增強的大模型推薦 137
第6章　大模型增強推薦系統 151
6.1　大模型構建特征工程 151
6.2　大模型構建圖 165
6.3　大模型增強冷啟動推薦 175
6.4　基於大模型蒸餾的推薦 183
第7章　可信的大模型推薦系統 196
7.1　推薦系統的可解釋性 197
7.2　推薦系統的公平性 202
7.3　推薦系統的隱私性 207
7.4　推薦系統的時效性 214
7.5　推薦系統的遺忘 218
第8章　基於大模型智能代理的推薦系統 226
8.1　基於大模型的智能代理 226
8.2　推薦系統中的大模型智能代理 232
8.3　基於大模型智能代理的推薦系統 238
第9章　大模型推薦系統的評估與部署 248
9.1　大模型的評估方法 248
9.2　推薦系統的評估方法 252
9.3　大模型的部署 265
9.4　大模型的壓縮 272
9.5　基於LangChain搭建大模型推薦系統 277
第 10章　總結與展望 287
10.1　大模型是銀子彈嗎 288
10.2　開放性問題 289
10.3　關於大模型與推薦的60個問題 290