書(shū)馨卡幫你省薪 2024個(gè)人購(gòu)書(shū)報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí)

新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí)

出版社：清華大學(xué)出版社出版時(shí)間：2019-01-01
開(kāi)本： 其他 頁(yè)數(shù)： 204
中 圖 價(jià):¥31.9(4.9折) 定價(jià)  ¥65.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車(chē) 收藏
運(yùn)費(fèi)6元，滿(mǎn)39元免運(yùn)費(fèi)
?新疆、西藏除外
溫馨提示：5折以下圖書(shū)主要為出版社尾貨，大部分為全新（有塑封/無(wú)塑封），個(gè)別圖書(shū)品相8-9成新、切口
有劃線(xiàn)標(biāo)記、光盤(pán)等附件不全詳細(xì)品相說(shuō)明>>
本類(lèi)五星書(shū)更多>

新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí) 版權(quán)信息

新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí) 本書(shū)特色

本書(shū)的五位作者均曾就職于騰訊，分別在不同的部門(mén)從事與推薦系統(tǒng)相關(guān)的工作。 推薦算法具有非常多的應(yīng)用場(chǎng)景和巨大的商業(yè)價(jià)值。推薦算法種類(lèi)很多，目前應(yīng)用*廣泛的應(yīng)該是基于協(xié)同過(guò)濾的推薦算法。在2016年，隨著阿爾法圍棋(AlphaGo)大放異彩，新的一波深度學(xué)習(xí)浪潮已至。在圖像、音頻處理等領(lǐng)域，深度學(xué)習(xí)技術(shù)已成為當(dāng)之無(wú)愧的王者；但在推薦領(lǐng)域，深度學(xué)習(xí)還處于發(fā)展階段。同時(shí)，我們?cè)谄綍r(shí)工作學(xué)習(xí)中，發(fā)現(xiàn)市面上并沒(méi)有關(guān)于兩者相結(jié)合的書(shū)籍，只能在國(guó)外論文中發(fā)現(xiàn)相關(guān)的方法與應(yīng)用。所以，我們決定以比較簡(jiǎn)單的表達(dá)方式，通過(guò)總結(jié)過(guò)往的推薦算法經(jīng)驗(yàn)，將深度學(xué)習(xí)相關(guān)的應(yīng)用介紹給更多的讀者。 騰訊技術(shù)大牛經(jīng)驗(yàn)總結(jié) 免費(fèi)提供配套源程序下載 本書(shū)除了在算法層面講解推薦系統(tǒng)的實(shí)現(xiàn) 還從工程層面詳細(xì)闡述推薦系統(tǒng)如何搭建 業(yè)界大咖聯(lián)袂推薦對(duì)于著力于新型的推薦模型研究的高校科研人員來(lái)說(shuō)，該書(shū)提供了一個(gè)非常好的機(jī)會(huì)來(lái)了解企業(yè)實(shí)際工作中需要考慮的問(wèn)題和內(nèi)容，為以后推薦模型的研究方向提供了一定的參考價(jià)值。相信本書(shū)的出版，能夠給企業(yè)界和學(xué)術(shù)界人士都帶來(lái)新的視角、觀點(diǎn)和有意義的工程經(jīng)驗(yàn)，進(jìn)一步推動(dòng)推薦系統(tǒng)的應(yīng)用和發(fā)展。 ——郭貴冰，東北大學(xué)軟件學(xué)院副教授，LibRec推薦算法庫(kù)創(chuàng)始人 作者總結(jié)了在推薦系統(tǒng)算法研究領(lǐng)域的多年實(shí)踐經(jīng)驗(yàn)，清楚直觀地介紹了相關(guān)的推薦算法及實(shí)踐案例。對(duì)于剛接觸推薦系統(tǒng)的新手和從事多年推薦系統(tǒng)研究的人員來(lái)說(shuō)，本書(shū)都極具實(shí)踐參考價(jià)值。 ——呂子鈺，中央財(cái)經(jīng)大學(xué)信息學(xué)院助理教授 本書(shū)從機(jī)器學(xué)習(xí)的基礎(chǔ)理論入手，深入淺出地介紹了機(jī)器學(xué)習(xí)在推薦系統(tǒng)中的算法與應(yīng)用。一方面，作者把*新的理論研究用圖文結(jié)合的方式呈現(xiàn)給讀者；另一方面，根據(jù)在騰訊公司對(duì)推薦系統(tǒng)的多年開(kāi)發(fā)經(jīng)驗(yàn)，作者用一個(gè)個(gè)例子詳盡闡述了推薦系統(tǒng)的實(shí)現(xiàn)步驟。無(wú)論對(duì)于剛?cè)腴T(mén)的讀者還是對(duì)于有一定開(kāi)發(fā)經(jīng)驗(yàn)的讀者，這都是一本十分有用的工具書(shū)。因此，我誠(chéng)摯地向大家推薦它。 ——梁予之，北京大學(xué)深圳研究生院助理研究員*近幾年推薦系統(tǒng)發(fā)展迅速，從傳統(tǒng)的機(jī)器學(xué)習(xí)到在線(xiàn)學(xué)習(xí)和深度學(xué)習(xí)，系統(tǒng)的實(shí)時(shí)性和模型能力都有了很大的提高。本書(shū)能夠抓住技術(shù)發(fā)展的前沿，從實(shí)踐的角度出發(fā)，總結(jié)了推薦系統(tǒng)中的關(guān)鍵技術(shù)，是一本難得的將理論和實(shí)踐相結(jié)合的好書(shū)。 ——鄧大付，騰訊游戲AI中心總監(jiān)，資深技術(shù)專(zhuān)家 近些年，深度學(xué)習(xí)在語(yǔ)音、圖像以及自然語(yǔ)言處理領(lǐng)域均取得了突破性的成就，但其在推薦系統(tǒng)中的應(yīng)用仍處于早期階段。作者詳細(xì)介紹了深度學(xué)習(xí)的核心理論、架構(gòu)及算法平臺(tái)，并結(jié)合團(tuán)隊(duì)在音樂(lè)推薦生產(chǎn)環(huán)境中的思考和探索，細(xì)致地為大家呈現(xiàn)了深度學(xué)習(xí)在推薦系統(tǒng)中的關(guān)鍵技術(shù)應(yīng)用，相信可以為廣大讀者帶來(lái)非常有價(jià)值的綜合指導(dǎo)。 ——李深遠(yuǎn)，騰訊音樂(lè)業(yè)務(wù)線(xiàn)個(gè)性化推薦中心副總監(jiān) 推薦系統(tǒng)是*近幾年發(fā)展*快的機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域之一，而大數(shù)據(jù)、深度學(xué)習(xí)技術(shù)的興起更是極大地促進(jìn)了個(gè)性化推薦技術(shù)的發(fā)展。本書(shū)從實(shí)踐出發(fā)，詳細(xì)介紹了經(jīng)典的深度學(xué)習(xí)算法、平臺(tái)和架構(gòu)，兼具技術(shù)廣度和深度，適合不同技術(shù)階段的讀者閱讀。 ——?jiǎng)⒗璐海v訊數(shù)據(jù)應(yīng)用中心副總監(jiān)，專(zhuān)家研究員對(duì)于想了解或從事推薦系統(tǒng)相關(guān)技術(shù)的人員來(lái)說(shuō)，本書(shū)是一本較好的入門(mén)書(shū)：既深入淺出地梳理了推薦系統(tǒng)的主要體系與經(jīng)典算法，又能夠緊貼前沿詳細(xì)講解了深度學(xué)習(xí)驅(qū)動(dòng)的新一輪推薦技術(shù)升級(jí)脈絡(luò)及演化方向，具有較高的實(shí)踐參考價(jià)值。 ——朱小強(qiáng)，阿里巴巴資深算法專(zhuān)家

新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí) 內(nèi)容簡(jiǎn)介

本書(shū)的幾位作者都在大型互聯(lián)網(wǎng)公司從事與推薦系統(tǒng)相關(guān)的實(shí)踐與研究，通過(guò)這本書(shū)，把推薦系統(tǒng)工作經(jīng)驗(yàn)予以總結(jié)，以幫助想從事推薦系統(tǒng)的工作者或推薦系統(tǒng)愛(ài)好者。本書(shū)的內(nèi)容設(shè)置由淺入深，從傳統(tǒng)的推薦算法過(guò)渡到近年興起的深度學(xué)習(xí)技術(shù)。不管是初學(xué)者，還是有一定經(jīng)驗(yàn)的從業(yè)人員，相信都能從本書(shū)的不同章節(jié)中有所收獲。 區(qū)別于其他推薦算法書(shū)籍，本書(shū)引入了已被實(shí)踐證明效果較好的深度學(xué)習(xí)推薦技術(shù)，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技術(shù)應(yīng)用，并給出了相關(guān)的實(shí)踐代碼；除了在算法層面講解推薦系統(tǒng)的實(shí)現(xiàn)，還從工程層面詳細(xì)闡述推薦系統(tǒng)如何搭建。

新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí) 目錄

第1 章什么是推薦系統(tǒng)1
1.1 推薦系統(tǒng)的概念.1
1.1.1 推薦系統(tǒng)的基本概念1
1.1.2 深度學(xué)習(xí)與推薦系統(tǒng)4
第2 章深度神經(jīng)網(wǎng)絡(luò).7
2.1 什么是深度學(xué)習(xí).7
2.1.1 深度學(xué)習(xí)的三次興起7
2.1.2 深度學(xué)習(xí)的優(yōu)勢(shì)9
2.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)11
2.2.1 神經(jīng)元11
2.2.2 神經(jīng)網(wǎng)絡(luò).12
2.2.3 反向傳播.13
2.2.4 優(yōu)化算法.14
2.3 卷積網(wǎng)絡(luò)基礎(chǔ)17
2.3.1 卷積層17
2.3.2 池化層19
2.3.3 常見(jiàn)的網(wǎng)絡(luò)結(jié)構(gòu)19
2.4 循環(huán)網(wǎng)絡(luò)基礎(chǔ)21
2.4.1 時(shí)序反向傳播算法22
2.4.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)24
2.5 生成對(duì)抗基礎(chǔ)25
2.5.1 對(duì)抗博弈.26
2.5.2 理論推導(dǎo).27
2.5.3 常見(jiàn)的生成對(duì)抗網(wǎng)絡(luò)29
iv j 推薦系統(tǒng)與深度學(xué)習(xí)
第3 章TensorFlow 平臺(tái)31
3.1 什么是TensorFlow 31
3.2 TensorFlow 安裝指南.33
3.2.1 Windows 環(huán)境安裝.33
3.2.2 Linux 環(huán)境安裝.34
3.3 TensorFlow 基礎(chǔ).36
3.3.1 數(shù)據(jù)流圖.36
3.3.2 會(huì)話(huà)37
3.3.3 圖可視化.37
3.3.4 變量37
3.3.5 占位符38
3.3.6 優(yōu)化器38
3.3.7 一個(gè)簡(jiǎn)單的例子38
3.4 其他深度學(xué)習(xí)平臺(tái)39
第4 章推薦系統(tǒng)的基礎(chǔ)算法42
4.1 基于內(nèi)容的推薦算法.42
4.1.1 基于內(nèi)容的推薦算法基本流程42
4.1.2 基于內(nèi)容推薦的特征提取.45
4.2 基于協(xié)同的推薦算法.47
4.2.1 基于物品的協(xié)同算法49
4.2.2 基于用戶(hù)的協(xié)同算法57
4.2.3 基于用戶(hù)協(xié)同和基于物品協(xié)同的區(qū)別59
4.2.4 基于矩陣分解的推薦方法.61
4.2.5 基于稀疏自編碼的推薦方法.71
4.3 基于社交網(wǎng)絡(luò)的推薦算法80
4.3.1 基于用戶(hù)的推薦在社交網(wǎng)絡(luò)中的應(yīng)用81
4.3.2 node2vec 技術(shù)在社交網(wǎng)絡(luò)推薦中的應(yīng)用85
4.4 推薦系統(tǒng)的冷啟動(dòng)問(wèn)題94
4.4.1 如何解決推薦系統(tǒng)冷啟動(dòng)問(wèn)題94
4.4.2 深度學(xué)習(xí)技術(shù)在物品冷啟動(dòng)上的應(yīng)用101
目錄j v
第5 章混合推薦系統(tǒng)119
5.1 什么是混合推薦系統(tǒng).119
5.1.1 混合推薦系統(tǒng)的意義120
5.1.2 混合推薦系統(tǒng)的算法分類(lèi).122
5.2 推薦系統(tǒng)特征處理方法125
5.2.1 特征處理方法126
5.2.2 特征選擇方法134
5.3 常見(jiàn)的預(yù)測(cè)模型141
5.3.1 基于邏輯回歸的模型141
5.3.2 基于支持向量機(jī)的模型.144
5.3.3 基于梯度提升樹(shù)的模型.148
5.4 排序?qū)W習(xí)150
5.4.1 基于排序的指標(biāo)來(lái)優(yōu)化.150
5.4.2 L2R 算法的三種情形.152
第6 章基于深度學(xué)習(xí)的推薦模型156
6.1 基于DNN 的推薦算法156
6.2 基于DeepFM 的推薦算法163
6.3 基于矩陣分解和圖像特征的推薦算法171
6.4 基于循環(huán)網(wǎng)絡(luò)的推薦算法.174
6.5 基于生成對(duì)抗網(wǎng)絡(luò)的推薦算法.176
6.5.1 IRGAN 的代碼實(shí)現(xiàn).179
第7 章推薦系統(tǒng)架構(gòu)設(shè)計(jì).183
7.1 推薦系統(tǒng)基本模型183
7.2 推薦系統(tǒng)常見(jiàn)架構(gòu)185
7.2.1 基于離線(xiàn)訓(xùn)練的推薦系統(tǒng)架構(gòu)設(shè)計(jì)185
7.2.2 面向深度學(xué)習(xí)的推薦系統(tǒng)架構(gòu)設(shè)計(jì)191
7.2.3 基于在線(xiàn)訓(xùn)練的推薦系統(tǒng)架構(gòu)設(shè)計(jì)194
7.2.4 面向內(nèi)容的推薦系統(tǒng)架構(gòu)設(shè)計(jì)197
7.3 推薦系統(tǒng)常用組件199
7.3.1 數(shù)據(jù)上報(bào)常用組件199
vi j 推薦系統(tǒng)與深度學(xué)習(xí)
7.3.2 離線(xiàn)存儲(chǔ)常用組件200
7.3.3 離線(xiàn)計(jì)算常用組件200
7.3.4 在線(xiàn)存儲(chǔ)常用組件201
7.3.5 模型服務(wù)常用組件201
7.3.6 實(shí)時(shí)計(jì)算常用組件201
7.4 推薦系統(tǒng)常見(jiàn)問(wèn)題201
7.4.1 實(shí)時(shí)性.201
7.4.2 多樣性.202
7.4.3 曝光打擊和不良內(nèi)容過(guò)濾.202
7.4.4 評(píng)估測(cè)試.202
后記.203
圖1.1 淘寶猜你喜歡欄目2
圖1.2 百度指數(shù).4
圖1.3 歌曲詞嵌入模型空間向量.6
圖2.1 神經(jīng)網(wǎng)絡(luò)的三次興起8
圖2.2 不同層數(shù)的神經(jīng)網(wǎng)絡(luò)擬合分界面的能力.10
圖2.3 不同層數(shù)的神經(jīng)網(wǎng)絡(luò)表示能力10
圖2.4 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)11
圖2.5 感知器算法12
圖2.6 三層全連接神經(jīng)網(wǎng)絡(luò)13
圖2.7 動(dòng)量對(duì)比.16
圖2.8 卷積運(yùn)算.18
圖2.9 池化層19
圖2.10 LeNet 卷積結(jié)構(gòu).20
圖2.11 Alex-Net 卷積結(jié)構(gòu)20
圖2.12 RNN 21
圖2.13 LSTM 在t 時(shí)刻的內(nèi)部結(jié)構(gòu)24
圖2.14 GAN 網(wǎng)絡(luò)25
圖3.1 TensorFlow 安裝截圖34
圖3.2 TensorBoard 計(jì)算37
圖4.1 騰訊視頻APP 推薦頁(yè)面.44
圖4.2 截取自當(dāng)當(dāng)網(wǎng).49
圖4.3 截取自QQ 音樂(lè)APP.49
圖4.4 用戶(hù)購(gòu)買(mǎi)物品記錄50
圖4.5 同時(shí)被購(gòu)買(mǎi)次數(shù)矩陣C 51
圖4.6 相似度計(jì)算結(jié)果1 52
圖4.7 相似度計(jì)算結(jié)果2 54
viii j 推薦系統(tǒng)與深度學(xué)習(xí)
圖4.8 相似度計(jì)算結(jié)果3 55
圖4.9 截取自當(dāng)當(dāng)網(wǎng).57
圖4.10 物品的倒排索引57
圖4.11 用戶(hù)評(píng)分矩陣.63
圖4.12 Sigma 值64
圖4.13 NewData 值65
圖4.14 Mydata 值65
圖4.15 自編碼神經(jīng)網(wǎng)絡(luò)模型72
圖4.16 稀疏自編碼**個(gè)網(wǎng)絡(luò).73
圖4.17 稀疏自編碼第二個(gè)網(wǎng)絡(luò).74
圖4.18 稀疏自編碼第三個(gè)網(wǎng)絡(luò).75
圖4.19 將三個(gè)網(wǎng)絡(luò)組合起來(lái)75
圖4.20 社交網(wǎng)絡(luò)關(guān)系圖示例81
圖4.21 融入用戶(hù)關(guān)系和物品關(guān)系82
圖4.22 社交網(wǎng)絡(luò)關(guān)系圖示例86
圖4.23 社交網(wǎng)絡(luò)關(guān)系圖示例86
圖4.24 CBOW 和Skip-Gram 示例.88
圖4.25 Skip-Gram 網(wǎng)絡(luò)結(jié)構(gòu)89
圖4.26 CBOW 網(wǎng)絡(luò)結(jié)構(gòu)91
圖4.27 word analogy 示例93
圖4.28 某網(wǎng)站登錄頁(yè)面95
圖4.29 QQ 互聯(lián)開(kāi)放注冊(cè)平臺(tái)1 96
圖4.30 QQ 互聯(lián)開(kāi)放注冊(cè)平臺(tái)2 97
圖4.31 QQ 互聯(lián)應(yīng)用管理頁(yè)面1 97
圖4.32 QQ 互聯(lián)應(yīng)用管理頁(yè)面2 97
圖4.33 QQ 互聯(lián)QQ 登錄功能獲取97
圖4.34 QQ 音樂(lè)APP 中的偏好選擇98
圖4.35 (a) 為每部電影被打分的分布，(b) 為每個(gè)用戶(hù)打分的分布100
圖4.36 (a) 為每部電影平均分分布，(b) 為每個(gè)用戶(hù)平均分分布.100
圖4.37 基于專(zhuān)家數(shù)據(jù)的CF 與基于用戶(hù)數(shù)據(jù)CF 比較.101
圖目錄j ix
圖4.38 音樂(lè)頻譜示例102
圖4.39 4 個(gè)流派的頻譜圖示例103
圖4.40 CNN 音頻分類(lèi)結(jié)構(gòu).103
圖4.41 CNN+LSTM 組合音頻分類(lèi)模型.104
圖4.42 分類(lèi)預(yù)測(cè)結(jié)果的混淆矩陣104
圖4.43 模型倒數(shù)第二層128 維向量降維可視化104
圖4.44 微軟how-old.net 107
圖4.45 SCUT-FBP 數(shù)據(jù)集示例圖108
圖4.46 臉部截取后的數(shù)據(jù)集示例圖.108
圖4.47 CNN 層數(shù)過(guò)多，誤差反而較大113
圖4.48 殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)113
圖4.49 殘差網(wǎng)絡(luò)完整結(jié)構(gòu).114
圖5.1 NetFlix 的實(shí)時(shí)推薦系統(tǒng)的架構(gòu)圖120
圖5.2 整體式混合推薦系統(tǒng)125
圖5.3 并行式混合推薦系統(tǒng)125
圖5.4 流水線(xiàn)式混合推薦系統(tǒng).125
圖5.5 MDLP 特征離散化130
圖5.6 ChiMerge 特征離散化.131
圖5.7 層次化時(shí)間按序列特征.133
圖5.8 Learn to rank 的局限153
圖6.1 Wide & Deep 模型結(jié)構(gòu)157
圖6.2 推薦系統(tǒng)的召回和排序兩個(gè)階段158
圖6.3 召回模型結(jié)構(gòu).159
圖6.4 序列信息160
圖6.5 排序模型結(jié)構(gòu).161
圖6.6 不同NN 的效果162
圖6.7 DeepFM 模型結(jié)構(gòu)(網(wǎng)絡(luò)左邊為FM 層，右邊為DNN 層).164
圖6.8 FM 一階部分165
圖6.9 FM 二階部分166
圖6.10 FM/DNN/DeepFM 的比較171
x j 推薦系統(tǒng)與深度學(xué)習(xí)
圖6.11 電影靜止幀圖片舉例172
圖6.12 Alex-Net 卷積網(wǎng)絡(luò).173
圖6.13 左圖：時(shí)間無(wú)關(guān)的推薦系統(tǒng)。右圖：時(shí)間相關(guān)的推薦系統(tǒng)174
圖6.14 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)175
圖6.15 判別器177
圖6.16 生成器178
圖6.17 IRGAN 說(shuō)明179
圖7.1 監(jiān)督學(xué)習(xí)基本模型.184
圖7.2 基于離線(xiàn)訓(xùn)練的推薦系統(tǒng)架構(gòu)設(shè)計(jì)186
圖7.3 數(shù)據(jù)上報(bào)模塊.187
圖7.4 離線(xiàn)訓(xùn)練模塊.187
圖7.5 推薦系統(tǒng)中的存儲(chǔ)分層.188
圖7.6 在線(xiàn)預(yù)測(cè)的幾個(gè)階段189
圖7.7 推薦系統(tǒng)通用性設(shè)計(jì)190
圖7.8 面向深度學(xué)習(xí)的推薦系統(tǒng)架構(gòu)設(shè)計(jì)191
圖7.9 利用深度學(xué)習(xí)進(jìn)行特征提取192
圖7.10 參數(shù)服務(wù)器架構(gòu)193
圖7.11 基于在線(xiàn)訓(xùn)練的推薦系統(tǒng)架構(gòu)設(shè)計(jì)195
圖7.12 在線(xiàn)學(xué)習(xí)之實(shí)時(shí)特征處理196
圖7.13 面向內(nèi)容的推薦系統(tǒng)架構(gòu)設(shè)計(jì)198
圖7.14 用于推薦的內(nèi)容池.198
圖7.15 Apache Kafka 邏輯架構(gòu).200
表4.1 用戶(hù)A 和B 的評(píng)分矩陣.43
表4.2 電影內(nèi)容特征二進(jìn)制表示45
表4.3 人臉魅力值打分不同模型的MAE 比較112
表4.4 人臉魅力值打分不同模型的MAE 比較117
表4.5 Keras 預(yù)訓(xùn)練好的圖像分類(lèi)模型118
展開(kāi)全部

新時(shí)代·技術(shù)新未來(lái)推薦系統(tǒng)與深度學(xué)習(xí) 作者簡(jiǎn)介

　　黃昕，　　現(xiàn)任騰訊音樂(lè)集團(tuán)高級(jí)工程師，先后負(fù)責(zé)QQ音樂(lè)、全民K歌等App推薦算法開(kāi)發(fā)及系統(tǒng)架構(gòu)設(shè)計(jì)工作！　≮w偉，　　德國(guó)達(dá)姆施塔特工業(yè)大學(xué)在讀博士生，研究方向包括自然語(yǔ)言處理和信息檢索。曾任騰訊知文實(shí)驗(yàn)室研究員。　　呂慧偉，　　現(xiàn)任騰訊科技有限公司高級(jí)工程師。中國(guó)科學(xué)院計(jì)算技術(shù)研究所計(jì)算機(jī)體系結(jié)構(gòu)博士，MPICH核心開(kāi)發(fā)者！　⊥醣居，　　意大利帕多瓦大學(xué)博士生，歐盟瑪麗?居里研究員。曾作為主要成員，從零開(kāi)始搭建了騰訊云智能客服系統(tǒng)！　蠲，　　現(xiàn)任中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院助理研究員，從事文本挖掘、自然語(yǔ)言處理、人工智能相關(guān)領(lǐng)域的研究與開(kāi)發(fā)工作。曾任騰訊高級(jí)研究員。

暫無(wú)評(píng)論……
書(shū)友推薦
本類(lèi)暢銷(xiāo)
返回頂部
中圖網(wǎng)
在線(xiàn)客服