推荐系统自动研究知识库
RecSys Auto Research KB · 从级联架构到生成式范式的推荐与广告知识库
一个面向推荐系统与计算广告的知识库:判别式推荐、生成式推荐、计算广告专题,为人类读者与 AI agent 的 auto research 提供结构化、可精确引用的技术知识。
这是什么?
《推荐系统自动研究知识库》 是一个面向推荐系统 auto research 的知识库,内容重写并扩展自 Datawhale 开源项目 fun-rec。
📖 在线阅读：访问 https://haozhe-xing.github.io/fun-rec-mdbook/ 阅读最新版本。
本书围绕推荐系统的两条核心主线展开：
- 判别式推荐 ：召回、排序、重排、多目标、多场景、去偏、冷启动等工业级推荐系统基础能力。
- 生成式推荐 ：语义 ID、生成式排序、端到端推荐、推荐推理、扩散模型与生成式推荐系统实战。
如果你希望从「算法原理」走到「系统实践」，并理解推荐系统从经典架构走向生成式范式的完整脉络，这本书就是为你准备的。
内容地图
本书共 12 个 Part ，建议按顺序阅读；如果你已有推荐系统基础，也可以直接跳到感兴趣的主题。
| 篇章 | 主题 | 你将学到什么 |
|---|---|---|
| Part 1 | 推荐系统全景 | 推荐系统基本问题、技术地图、特征与 Embedding 基础 |
| Part 2 | 快速候选召回 | 协同过滤、向量召回、双塔、序列召回、流式索引 |
| Part 3 | 精准偏好预测 | Wide&Deep、特征交叉、序列建模、多目标、多场景 |
| Part 4 | 重排多样性建模 | MMR、DPP、个性化重排与列表级优化 |
| Part 5 | 前沿趋势 | 去偏、冷启动、生成式推荐范式演进 |
| Part 6 | 生成式推荐基础 | 生成式范式、LLM 基础、Codebook、语义 ID |
| Part 7 | Scaling 生成式排序 | HSTU、生成式排序、MTGR、RankMixer、OneTrans |
| Part 8 | 端到端生成式应用 | 推荐、搜索、广告中的端到端生成式建模 |
| Part 9 | 推荐中的思考与推理 | 语义对齐、推理框架、自主推理探索 |
| Part 10 | 扩散模型推荐 | 扩散基础、数据增强、推荐应用 |
| Part 11 | 生成式推荐系统实战 | 系统架构、离线管线、在线管线、前端与部署 |
| Part 12 | 计算广告专题 | 拍卖机制、智能出价、合约与竞价广告、定向、数据交易、实验与反作弊 |
完整目录见 SUMMARY.md。
1. 安装依赖
cargo install mdbook
cargo install mdbook-katex
2. 本地预览（中英双语一键启动）
./serve.sh
默认在 http://localhost:3000 启动，中文版在 /zh/、英文版在 /en/，根路径按浏览器语言自动跳转。
3. 构建静态站点
mdbook build # 中文版 → book/zh/
cp book-en.toml book.toml && mdbook build # 英文版 → book/en/（构建后恢复 book.toml）
项目结构
本项目提供 中英双语 版本，结构与 agent_learning 一致：
.
├── src/
│ ├── zh/ # 中文源（当前目录）
│ │ ├── SUMMARY.md # mdBook 目录结构
│ │ ├── part1-introduction/ … part11-project/
│ │ ├── appendix/ # 附录
│ │ ├── images/ # SVG 图表资源
│ │ └── viz/ # 交互式可视化资源
│ └── en/ # 英文源（与 zh 1:1 对齐）
├── book.toml # 中文版配置 → book/zh/
├── book-en.toml # 英文版配置 → book/en/
├── root-index.html # 语言选择首页（按浏览器语言自动跳转）
├── serve.sh # 一键构建并本地预览
├── styles/ # 自定义样式
└── scripts/ # 自定义交互脚本
推荐阅读路径
初学者路径
适合刚接触推荐系统、希望建立完整知识框架的读者：
Part 1 → Part 2 → Part 3 → Part 4 → Part 5
你会先掌握推荐系统的经典级联架构，再理解召回、排序、重排各模块如何协同工作。
进阶工程路径
适合已经做过推荐算法或推荐工程，希望补齐系统设计能力的读者：
Part 2 → Part 3 → Part 4 → Part 11
你会重点理解工业推荐链路中的候选生成、偏好预测、列表优化和线上服务架构。
生成式推荐路径
适合关注大模型、生成式排序、语义 ID 与下一代推荐系统的读者：
Part 5 → Part 6 → Part 7 → Part 8 → Part 9 → Part 10 → Part 11
你会从范式迁移开始，逐步进入生成式推荐的建模、推理和系统落地。
适合谁读？
- 推荐算法学习者 ：希望系统学习推荐系统核心模型与技术路线。
- 机器学习工程师 ：希望理解推荐系统从离线训练到在线服务的工程链路。
- 推荐系统从业者 ：希望补齐生成式推荐、语义 ID、端到端推荐等新方向。
- 技术面试准备者 ：希望建立清晰的推荐系统知识地图与表达框架。
写作约定
- 章节顶部使用徽章标注 章节编号、预计阅读时间、难度级别。
- 数学公式使用
$行内公式$与$$独立公式$$，由mdbook-katex渲染。 - 图表统一放在
images/，交互式可视化放在viz/。 - 每章尽量包含 常见错误、核心要点、FAQ、章节关联与分层练习。
参与贡献
欢迎通过 Issue 或 Pull Request 参与改进：
- 修正错别字、公式、图表或链接问题。
- 补充推荐系统论文、工业案例或工程实践经验。
- 改进章节结构、示例代码、练习题与可视化内容。
- 提出你希望新增的推荐系统主题。
在提交内容时，建议保持：
- 术语统一 ：优先参考 GLOSSARY.md。
- 结构一致 ：遵循已有章节的组织方式。
- 解释清晰 ：优先说明直觉、边界条件和工程取舍。
致谢
本书重写自 Datawhale 开源项目 fun-rec，感谢原项目作者与社区贡献者为推荐系统学习资料建设做出的贡献。
也感谢推荐系统、信息检索、机器学习与大模型社区中的研究者和工程师。本书中的许多内容都受益于公开论文、工业实践分享和开源社区讨论。