📖 本文整理自刘京欣的《推荐系统：工业架构与核心算法》一书，经内容提取后分章发布。 📚 系列目录 章节 标题 简介 — 前言 本书写作背景、目标读者与阅读建议 1 推荐系统概述 推荐系统的定义、发展历程与核心挑战 2 推荐系统架构 工业级多阶段级联式推荐架构详解 3 推荐系统评价体系 离线指标、在线指标与用户体验评估 4 召回与过滤模块 多路召回策略、向量召回与内

推荐系统: 工业架构与核心算法作者：刘京欣前言在人工智能技术快速发展的今天，推荐系统已经成为连接用户与海量信息的重要桥梁。从短视频平台的个性化内容分发，到电商平台的商品推荐，再到新闻资讯、直播与搜索服务，推荐系统无处不在，并深刻影响着人们获取信息、消费内容以及进行决策的方式。与此同时，以大语言模型为代表的新一代人工智能技术迅速崛起，正在重新塑造推荐系统的技术范式与发展方向，为推荐领域带来了新的机遇

第1章 推荐系统概览1.1 什么是推荐系统随着互联网、大数据以及人工智能技术的快速发展，我们日常使用的绝大多数互联网产品，例如短视频平台、新闻资讯平台、电商平台、生活服务平台以及社交媒体平台，都已经深度依赖推荐系统来完成海量信息的组织与分发。无论是抖音、快手、微信视频号、美团，还是淘宝、京东、小红书，推荐系统都已经成为这些平台最核心的基础设施之一。从本质上来看，推荐系统承担着连接用户与内容的重要桥

第2章 推荐系统架构从第1 章的介绍中我们已经了解到，工业级推荐系统需要在海量用户并发访问的场景下，对用户请求进行毫秒级甚至亚秒级响应。这不仅要求系统具备极高的计算效率和吞吐能力，同时也对系统的稳定性、可扩展性以及实时更新能力提出了严格要求。 在实际业务中，推荐系统往往并非服务于单一场景，而是需要同时支撑短视频、直播、电商、广告、社区内容等多种业务形态。不同业务在内容形式、用户行为特征以及优化目标

第3章 推荐系统评价体系从前两章我们知道，推荐系统是一个复杂的系统工程。而对于推荐系统的优化通常是为不同业务的北极星指标服务的。因此，在推荐系统的优化过程中，建立科学有效的评价体系是至关重要的。推荐系统的评价体系主要包括离线评价指标、在线评价指标和用户体验指标三个层面。离线评价指标主要用于模型开发阶段的效果评估，在线评价指标则用于模型上线后的AB 测试评估，而用户体验指标则关注推荐结果对用户真实满

第二部分 推荐系统模块在前面几章中，我们从宏观视角对推荐系统进行了系统性介绍。首先回顾了推荐系统的发展历程、核心目标以及所面临的主要挑战，帮助读者建立对推荐系统整体框架的初步认知；随后进一步介绍了工业界推荐系统的典型架构，包括多业务混合推荐系统架构、单业务级联式推荐系统架构、降级推荐系统以及作者侧推荐系统等内容；最后，我们还讨论了推荐系统中的数据体系、日志体系以及评价体系，帮助读者理解推荐系统背后

第5章 粗排模块在上一章中，我们介绍了推荐系统的召回模块。召回阶段通过多路召回策略从海量内容库中快速筛选出数千到数万个候选物品，从而保证推荐系统具备足够的覆盖能力与探索能力。然而，召回阶段的主要目标是“找得到”，而不是“排得准”。 随着互联网内容规模的持续增长，现代推荐系统每天需要面对数千万甚至上亿级别的内容供给。即使经过召回阶段的初步筛选，候选集合规模通常仍然达到几千甚至上万个。如果直接将如此大

第6章 精排模块在上一章中，我们介绍了级联式推荐系统中的粗排模块。粗排阶段的核心任务是在有限的计算资源约束下，从召回返回的大规模候选集中快速构建一个兼具相关性、多样性、探索性以及业务约束的高质量候选集合（Can-didate Set）。从某种意义上说，粗排优化的是候选集合本身，而并非最终的排序结果。 然而，一个高质量候选集并不意味着最终推荐结果一定优秀。候选集中的物品仍然需要进一步评估其与当前用户

第7章 重排模块在上一章中，我们详细介绍了级联式推荐系统中的精排模块。精排阶段通过更复杂的用户行为建模与多目标优化方法，对粗排筛选后的候选集合进行精细化打分，从而在单个候选物品层面实现较为准确的价值评估。然而，从系统整体视角来看，精排的输出本质上仍然是一个基于独立打分的排序结果，其优化目标主要集中在“单个物品是否优质”，而非“整个推荐序列是否最优”。 当推荐系统进入信息流、多内容连续消费等应用场景

第8章 混排模块在上一章节中，我们系统性地介绍了重排模块的设计与实现。重排模块主要聚焦于单一业务内部的序列级优化问题，其优化对象通常来源于同一推荐系统输出的候选集合，核心目标是在单一业务语义下对推荐列表进行结构优化、多样性增强以及业务策略约束下的重排序。 然而，随着推荐系统逐步演进为多业务融合的综合内容分发平台，仅在单业务层面进行序列优化已难以满足整体产品形态的需求。在实际工业场景中，一个完整的推