本书主要讲解推荐系统中的召回算法和排序算法，以及各个算法在Sklearn、Spark、TensorFlow主流工具中的实现和应用。书中本着循序渐进的原则进行讲解。首先，介绍推荐算法中的数学基础、推荐算法的平台和工具基础以及具体的推荐系统。其次，对推荐系统中的召回算法进行讲解，主要包括基于行为相似的协同过滤召回和基于内容相似的Word2vec召回，并且介绍其在Spark、TensorFlow主流工具中的实现与应用。再次，讲解推荐系统中的排序算法，包括线性模型、树模型和深度学习模型，分别介绍逻辑回归、FM、决策树、随机森林、GBDT、GBDT+LR、集成学习模型、深度森林、DNN、Google Wide ＆ Deep、DeepFM、YouTube推荐等模型的原理以及其在Sklearn、Spark、TensorFlow主流工具中的实现与应用。最后，介绍推荐算法的4个实践案例，帮助读者进行工程实践和应用，并且介绍如何在Notebook上进行代码开发和算法调试，以帮助读者提升工作效率。