01 推荐系统概述

• 什么是推荐系统
• 商业价值
• CTR·CVR·GMV

02 产品经理的AI基本功

• 机器学习三要素
• 监督/无监督
• 过拟合·欠拟合

03 推荐系统架构

• 召回·排序·重排
• 离线/实时
• 分层设计

04 数据埋点与采集

• 用户行为日志
• 埋点规范
• 数据质量监控

05 特征工程入门

• 用户画像
• 物品画像
• 上下文特征

06 召回策略 (上)

• 协同过滤
• 矩阵分解
• SVD·ALS

07 召回策略 (下)

• 向量化召回
• 图召回
• 多路融合

08 排序模型 (上)

• 逻辑回归
• FM
• 特征交叉

09 排序模型 (下)

• Wide&Deep
• DeepFM
• MMOE

10 重排与多样性

• MMR算法
• 打散策略
• 去重·插队

11 AB测试与实验平台

• 分流原理
• AA测试
• 实验指标

12 离线评估方法

• AUC·GAUC
• NDCG
• Recall@K

13 冷启动问题

• 用户冷启动
• 物品冷启动
• 系统冷启动

14 实时推荐技术

• Flink流处理
• 特征实时更新
• 在线学习

15 推荐系统bias问题

• 位置偏差
• 流行度偏差
• 曝光偏差

16 强化学习在推荐中

• Contextual Bandit
• DQN
• 探索与利用

17 多模态推荐

• 文本·图像·视频
• 特征融合

18 序列推荐模型

• GRU4Rec
• SASRec
• Bert4Rec

19 知识图谱+推荐

• KGAT
• RippleNet
• 可解释推荐

20 推荐可解释性

• LIME
• SHAP
• 规则解释

21 安全与反作弊

• 刷分检测
• 虚假流量
• 对抗攻击

22 推荐工程化

• TF Serving
• ONNX
• Redis·Faiss

23 监控与运维

• 模型漂移
• 数据延迟
• 报警体系

24 推荐产品化

• 推荐理由
• 个性化UI
• 用户反馈闭环

25 增长策略

• Push推送
• 首页推荐
• 关联推荐

26 电商案例分析

• 淘宝/京东策略

27 内容案例分析

• 抖音/TikTok

28 社交案例分析

• 微信视频号/快手

29 推荐未来趋势

• 大模型+推荐
• AIGC生成
• 端侧推荐

30 总结与项目实战

• 新闻推荐MVP
• 从0到1