掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
這就是推薦系統(tǒng)――核心技術(shù)原理與企業(yè)應用 版權(quán)信息
- ISBN：9787121454226
- 條形碼：9787121454226 ; 978-7-121-45422-6
- 裝幀：平塑勒
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
這就是推薦系統(tǒng)――核心技術(shù)原理與企業(yè)應用 本書特色
本書不要求讀者必須具備深度學習或者機器學習的背景知識，不論是互聯(lián)網(wǎng)行業(yè)的技術(shù)、產(chǎn)品、運營人員，還是高等院校的在校生，或者對個性化推薦、大數(shù)據(jù)應用感興趣的愛好者等都可以閱讀此書。 亮點一：完全來自于工業(yè)化實踐，內(nèi)容按照實際推薦系統(tǒng)的模塊劃分：內(nèi)容理解、用戶畫像、召回、排序、重排等，其他書沒有這樣寫的。 亮點二：內(nèi)容全面系統(tǒng)但精煉，全書是作者根據(jù)實踐總結(jié)，沒有大面積理論講解，只講基礎(chǔ)框架、核心技術(shù)和前沿發(fā)展。 亮點三：囊括當下熱門前沿技術(shù)，包括強化學習、因果推斷、端上智能，以及ChatGPT時代的推薦系統(tǒng)未來發(fā)展描述，對當下的技術(shù)人員很有指導意義。 亮點四：四位作者均是來自一線大廠的工程師，長期在工業(yè)界從事推薦算法的相關(guān)應用研究，本書的內(nèi)容融入了作者對推薦算法的思考、體會及實戰(zhàn)經(jīng)驗。 亮點五：此書不僅具有全局視野，體系完善，而且生動翔實，細節(jié)拉滿。不管你是小白還是推薦系統(tǒng)的從業(yè)者，閱讀此書都會讓你受益匪淺。 向讀者更全面、更具體地介紹推薦系統(tǒng)，全方位地剖析主流工業(yè)推薦系統(tǒng)的運作機理和每個核心模塊，并讓讀者能夠了解不同的互聯(lián)網(wǎng)產(chǎn)品中推薦系統(tǒng)是如何與業(yè)務場景進行深度結(jié)合來加速達成業(yè)務核心目標的。 推薦系統(tǒng)具有廣泛的應用背景，作者基于自身在該領(lǐng)域多年從事研發(fā)的經(jīng)驗，將推薦系統(tǒng)整體框架作為切入點，全面而系統(tǒng)地介紹了與推薦系統(tǒng)相關(guān)的多項技術(shù)，包括內(nèi)容理解、用戶畫像、排序、重排等。此外，本書還通過實際問題給出多個應用案例，使讀者可以更好地理解和應用推薦系統(tǒng)技術(shù)。無論是相關(guān)領(lǐng)域的從業(yè)人員，還是高校學生，都可以從本書獲益匪淺。 清華大學教授 | 馬少平 從衣食住行到娛樂消費，推薦系統(tǒng)已經(jīng)深度融入我們的日常生活，成為AI技術(shù)落地應用的典型場景。推薦系統(tǒng)不僅要解決多模態(tài)內(nèi)容理解的語義鴻溝和用戶興趣偏好的意圖鴻溝，還需要克服億級用戶與推薦內(nèi)容下的工程開發(fā)與部署難題。本書從工業(yè)界的視角系統(tǒng)地介紹了推薦系統(tǒng)的核心技術(shù)和工程實現(xiàn)方案，每章的內(nèi)容循序漸進，深度貼合實際應用，將工業(yè)界推薦系統(tǒng)的基礎(chǔ)框架、核心技術(shù)和前沿發(fā)展呈現(xiàn)在讀者面前；ヂ(lián)網(wǎng)服務領(lǐng)域的從業(yè)人員和高等院校相關(guān)專業(yè)的本科生、研究生都將從本書中受益。 清華大學教授 | 孫立峰 近年來，推薦系統(tǒng)已經(jīng)在各種在線平臺中得到廣泛應用，成為用戶獲取信息、平臺滿足用戶需求的主要途徑之一。本書系統(tǒng)地梳理了推薦系統(tǒng)領(lǐng)域的相關(guān)重要技術(shù)，從多個方面對推薦算法的相關(guān)概念、模型及算法進行了詳細介紹，涵蓋了*新的前沿技術(shù)。特別是，作者長期在工業(yè)界從事推薦算法的相關(guān)應用研究，本書的內(nèi)容融入了作者對推薦算法的思考、體會及實戰(zhàn)經(jīng)驗，相信相關(guān)技術(shù)人員能從本書中受益。 中國人民大學教授 | 趙鑫 在如今信息爆炸和碎片化的時代，推薦系統(tǒng)是解決信息過載和提升信息獲取效率的重要技術(shù)。本書非常全面地梳理了推薦系統(tǒng)構(gòu)建所要面臨的核心問題，囊括了學術(shù)界和工業(yè)界主要的技術(shù)進展和實際應用經(jīng)驗。本書針對視頻場景的推薦系統(tǒng)有精彩的介紹，對于文本、語音、圖片和視頻等多模態(tài)信息如何理解，以及應用到推薦系統(tǒng)，有詳細的剖析和深入淺出的闡述。相信無論是入門的新手，還是資深的行業(yè)從業(yè)者，在本書中都能有所收益，從而對推薦系統(tǒng)有更好的理解。 快手NLP和音頻中心負責人 | 張富崢 在信息爆炸的時代，推薦系統(tǒng)極大地提升了人與信息的匹配效率，是人工智能技術(shù)*典型、*成熟的應用之一，已然成為所有互聯(lián)網(wǎng)產(chǎn)品的標配。本書作者團隊來自互聯(lián)網(wǎng)大廠，完整地經(jīng)歷了從推薦系統(tǒng)搭建、演化到成熟的全過程，并得以有機會將其總結(jié)、提煉并形成此書。此書不僅具有全局視野，體系完善，而且生動翔實，細節(jié)拉滿。不管你是小白還是推薦系統(tǒng)的從業(yè)者，閱讀此書都會讓你受益匪淺。 數(shù)據(jù)智能社區(qū)DataFun創(chuàng)辦人 | 王大川
這就是推薦系統(tǒng)――核心技術(shù)原理與企業(yè)應用 內(nèi)容簡介
推薦系統(tǒng)作為近年來非常熱門的AI技術(shù)落地場景，已廣泛應用于各行業(yè)的互聯(lián)網(wǎng)應用，從衣食住行到娛樂消費，以及無處不在的廣告，背后都依賴推薦系統(tǒng)的決策。本書貼合工業(yè)級推薦系統(tǒng)，以推薦系統(tǒng)的整體技術(shù)框架為切入點，深入剖析推薦系統(tǒng)中的內(nèi)容理解、用戶畫像、召回、排序、重排等核心模塊，介紹每個模塊的核心技術(shù)和業(yè)界應用，并展開介紹了推薦冷啟動、推薦偏置與消偏等常見問題和解決方案。此外，還對當前推薦系統(tǒng)領(lǐng)域的熱門前沿技術(shù)進行了介紹，包括強化學習、因果推斷、端上智能等。
這就是推薦系統(tǒng)――核心技術(shù)原理與企業(yè)應用 目錄
第1章 初識推薦系統(tǒng) 1
1.1 推薦系統(tǒng)大時代 1
1.1.1 推薦系統(tǒng)的定義 2
1.1.2 推薦系統(tǒng)的價值 3
1.1.3 推薦系統(tǒng)的天時地利 4
1.1.4 推薦系統(tǒng)架構(gòu)概覽 5
1.2 推薦系統(tǒng)的核心模塊 7
1.2.1 內(nèi)容理解：理解和刻畫推薦內(nèi)容 7
1.2.2 用戶畫像：理解和刻畫用戶 7
1.2.3 召回：為用戶初篩內(nèi)容 8
1.2.4 排序：為用戶精選內(nèi)容 9
1.2.5 重排：從業(yè)務角度進行內(nèi)容調(diào)整 10
1.2.6 推薦系統(tǒng)質(zhì)量評估體系 11
總結(jié) 11
第2章 多模態(tài)時代的內(nèi)容理解 13
2.1 內(nèi)容標簽體系建設(shè) 14
2.1.1 標簽體系的作用 14
2.1.2 標簽體系設(shè)計和建設(shè) 14
2.1.3 標簽提取和生成 16
2.2 文本內(nèi)容理解 18
2.2.1 文本分類 18
2.2.2 文本標簽提取 21
2.2.3 文本聚類 22
2.2.4 文本Embedding 22
2.2.5 知識圖譜 26
2.3 多模態(tài)內(nèi)容理解 28
2.3.1 圖像分類 28
2.3.2 視頻分類 30
2.3.3 視頻多模態(tài)內(nèi)容Embedding 31
2.4 內(nèi)容理解在推薦系統(tǒng)中的應用 32
總結(jié) 33
第3章 比你更了解自己的用戶畫像 34
3.1 初識用戶畫像 34
3.1.1 什么是用戶畫像 35
3.1.2 用戶畫像的作用 35
3.1.3 用戶畫像系統(tǒng)架構(gòu) 36
3.2 用戶畫像標簽體系 37
3.2.1 用戶基礎(chǔ)屬性標簽 37
3.2.2 用戶社交屬性標簽 39
3.2.3 用戶行為屬性標簽 39
3.2.4 用戶興趣標簽 40
3.2.5 用戶分層標簽 41
3.2.6 其他常用維度標簽 41
3.3 用戶畫像標簽開發(fā) 42
3.3.1 標簽的基礎(chǔ)數(shù)據(jù) 42
3.3.2 標簽計算整體流程 42
3.3.3 規(guī)則類標簽 44
3.3.4 統(tǒng)計類標簽 44
3.3.5 模型類標簽 45
3.4 用戶畫像實踐案例 46
總結(jié) 51
第4章 包羅萬象的召回環(huán)節(jié) 52
4.1 召回的基本邏輯和方法論 52
4.1.1 召回的重要性 52
4.1.2 召回與排序的區(qū)別 53
4.1.3 主要的召回策略與算法 54
4.2 傳統(tǒng)召回策略 55
4.2.1 基于內(nèi)容的召回 55
4.2.2 經(jīng)典協(xié)同過濾召回 56
4.2.3 探索類召回 58
4.3 向量化模型召回 59
4.3.1 向量化模型召回原理 59
4.3.2 從KNN到ANN 60
4.3.3 經(jīng)典向量化召回模型 62
4.4 基于用戶行為序列的召回 65
4.4.1 SASRec——經(jīng)典行為序列召回模型 65
4.4.2 BERT4Rec與BST——NLP技術(shù)與用戶行為序列結(jié)合 66
4.4.3 MIND及其衍生——多興趣召回模型 68
4.4.4 超長序列召回——建模用戶全期興趣 70
4.5 圖Embedding在召回中的應用 72
4.5.1 圖Embedding技術(shù) 73
4.5.2 DeepWalk——經(jīng)典圖Embedding方法 74
4.5.3 Node2Vec——DeepWalk更進一步 75
4.5.4 PinSAGE——GCN在推薦系統(tǒng)領(lǐng)域的工業(yè)化應用 76
4.5.5 MetaPath2Vec——異構(gòu)圖Embedding方法 77
4.6 前瞻性召回策略與模型 79
4.6.1 TDM——模型與索引結(jié)合的藝術(shù) 79
4.6.2 對比學習——樣本的魔法 81
4.7 召回質(zhì)量評估方法 82
4.7.1 召回評估方法概述 83
4.7.2 召回率、精確率、F1值——基準評估指標 83
4.7.3 HR、ARHR——TopN推薦評價指標 84
4.7.4 CG、DCG、nDCG——信息增益維度的評估指標 84
4.7.5 長尾覆蓋評估 85
總結(jié) 86
第5章 投你所好的排序環(huán)節(jié) 87
5.1 排序環(huán)節(jié)的意義和優(yōu)化方向 87
5.1.1 排序環(huán)節(jié)的意義 87
5.1.2 排序環(huán)節(jié)的優(yōu)化方向 88
5.2 從Embedding看排序模型的演進 89
5.2.1 什么是Embedding 90
5.2.2 Embedding的產(chǎn)生過程 91
5.2.3 特征組合在深度排序模型中的應用 94
5.2.4 用戶歷史行為建模在深度排序模型中的應用 101
5.2.5 超大規(guī)模Embedding在實際中的應用 107
5.3 推薦系統(tǒng)粗排階段及其發(fā)展歷程 113
5.3.1 粗排定位與技術(shù)路線選擇 114
5.3.2 粗排模型架構(gòu)的演變 116
5.3.3 使用知識蒸餾增強粗排與精排的一致性 120
5.3.4 緩解樣本選擇偏差 128
5.3.5 粗排效果的評價 130
5.4 多目標排序建模 131
5.4.1 多目標排序建模的意義和挑戰(zhàn) 131
5.4.2 多目標排序建模方法概覽 132
5.4.3 多目標融合尋參 142
5.5 推薦系統(tǒng)排序階段的評估 142
5.5.1 排序評估的兩個階段 143
5.5.2 常用的效果評估指標 144
5.5.3 常用的系統(tǒng)評估指標 145
5.5.4 離線和線上效果的一致性問題 146
總結(jié) 147
第6章 權(quán)衡再三重排序 148
6.1 重排序的必要性和作用 148
6.2 重排模型 150
6.2.1 重排模型建模的出發(fā)點 150
6.2.2 序列重排模型 151
6.2.3 基于強化學習的重排模型 157
6.3 重排多樣性策略 160
6.3.1 重排多樣性的出發(fā)點 160
6.3.2 多樣性評估指標 161
6.3.3 規(guī)則多樣性打散 162
6.3.4 多樣性模型策略 164
6.4 重排中的業(yè)務規(guī)則 167
總結(jié) 169
第7章 如若初見冷啟動 170
7.1 推薦冷啟動的定義與挑戰(zhàn) 170
7.2 冷啟動一般解決思路 171
7.3 新用戶推薦冷啟動 173
7.3.1 新用戶召回策略 173
7.3.2 新用戶排序模型 175
7.3.3 新用戶重排策略 177
7.4 新物品分發(fā)冷啟動 178
7.4.1 新物品冷啟動召回策略 179
7.4.2 新物品冷啟動排序策略 180
7.4.3 新物品冷啟動流量分配機制 181
總結(jié) 184
第8章 推薦系統(tǒng)中的魔術(shù)手 185
8.1 特征工程 185
8.1.1 特征的理解和分類 186
8.1.2 特征挖掘維度 186
8.1.3 工程視角下的特征工程開發(fā) 187
8.1.4 特征工程的流程和方法 190
8.2 樣本加工藝術(shù) 193
8.2.1 如何提取有效樣本 193
8.2.2 負樣本優(yōu)化 195
8.2.3 樣本遷移 197
8.2.4 其他樣本優(yōu)化技巧 198
8.3 推薦系統(tǒng)實效性 198
8.3.1 推薦數(shù)據(jù)實效性 199
8.3.2 推薦模型實效性 201
8.3.3 在線學習整體機制 202
8.4 推薦中的偏差與消偏策略 202
8.4.1 推薦偏差的緣由 203
8.4.2 推薦系統(tǒng)常見偏差 203
8.4.3 常用的消偏技術(shù)和策略 205
總結(jié) 209
第9章 系統(tǒng)進化的利器——AB實驗平臺 210
9.1 什么是AB實驗 210
9.2 AB實驗平臺框架 212
9.3 AB實驗分流機制＆實驗類型 214
9.4 AB實驗效果評估 217
9.4.1 推薦系統(tǒng)常見的AB指標 218
9.4.2 AB實驗的假設(shè)檢驗 219
9.4.3 AB實驗的流量大小 221
9.5 AB實驗并不是的 221
總結(jié) 225
第10章 推薦系統(tǒng)中的前沿技術(shù) 226
10.1 強化學習 226
10.2 因果推斷 230
10.3 端上智能 235
10.4 動態(tài)算力分配 238
10.5 增益模型 241
總結(jié) 246
1.1 推薦系統(tǒng)大時代 1
1.1.1 推薦系統(tǒng)的定義 2
1.1.2 推薦系統(tǒng)的價值 3
1.1.3 推薦系統(tǒng)的天時地利 4
1.1.4 推薦系統(tǒng)架構(gòu)概覽 5
1.2 推薦系統(tǒng)的核心模塊 7
1.2.1 內(nèi)容理解：理解和刻畫推薦內(nèi)容 7
1.2.2 用戶畫像：理解和刻畫用戶 7
1.2.3 召回：為用戶初篩內(nèi)容 8
1.2.4 排序：為用戶精選內(nèi)容 9
1.2.5 重排：從業(yè)務角度進行內(nèi)容調(diào)整 10
1.2.6 推薦系統(tǒng)質(zhì)量評估體系 11
總結(jié) 11
第2章 多模態(tài)時代的內(nèi)容理解 13
2.1 內(nèi)容標簽體系建設(shè) 14
2.1.1 標簽體系的作用 14
2.1.2 標簽體系設(shè)計和建設(shè) 14
2.1.3 標簽提取和生成 16
2.2 文本內(nèi)容理解 18
2.2.1 文本分類 18
2.2.2 文本標簽提取 21
2.2.3 文本聚類 22
2.2.4 文本Embedding 22
2.2.5 知識圖譜 26
2.3 多模態(tài)內(nèi)容理解 28
2.3.1 圖像分類 28
2.3.2 視頻分類 30
2.3.3 視頻多模態(tài)內(nèi)容Embedding 31
2.4 內(nèi)容理解在推薦系統(tǒng)中的應用 32
總結(jié) 33
第3章 比你更了解自己的用戶畫像 34
3.1 初識用戶畫像 34
3.1.1 什么是用戶畫像 35
3.1.2 用戶畫像的作用 35
3.1.3 用戶畫像系統(tǒng)架構(gòu) 36
3.2 用戶畫像標簽體系 37
3.2.1 用戶基礎(chǔ)屬性標簽 37
3.2.2 用戶社交屬性標簽 39
3.2.3 用戶行為屬性標簽 39
3.2.4 用戶興趣標簽 40
3.2.5 用戶分層標簽 41
3.2.6 其他常用維度標簽 41
3.3 用戶畫像標簽開發(fā) 42
3.3.1 標簽的基礎(chǔ)數(shù)據(jù) 42
3.3.2 標簽計算整體流程 42
3.3.3 規(guī)則類標簽 44
3.3.4 統(tǒng)計類標簽 44
3.3.5 模型類標簽 45
3.4 用戶畫像實踐案例 46
總結(jié) 51
第4章 包羅萬象的召回環(huán)節(jié) 52
4.1 召回的基本邏輯和方法論 52
4.1.1 召回的重要性 52
4.1.2 召回與排序的區(qū)別 53
4.1.3 主要的召回策略與算法 54
4.2 傳統(tǒng)召回策略 55
4.2.1 基于內(nèi)容的召回 55
4.2.2 經(jīng)典協(xié)同過濾召回 56
4.2.3 探索類召回 58
4.3 向量化模型召回 59
4.3.1 向量化模型召回原理 59
4.3.2 從KNN到ANN 60
4.3.3 經(jīng)典向量化召回模型 62
4.4 基于用戶行為序列的召回 65
4.4.1 SASRec——經(jīng)典行為序列召回模型 65
4.4.2 BERT4Rec與BST——NLP技術(shù)與用戶行為序列結(jié)合 66
4.4.3 MIND及其衍生——多興趣召回模型 68
4.4.4 超長序列召回——建模用戶全期興趣 70
4.5 圖Embedding在召回中的應用 72
4.5.1 圖Embedding技術(shù) 73
4.5.2 DeepWalk——經(jīng)典圖Embedding方法 74
4.5.3 Node2Vec——DeepWalk更進一步 75
4.5.4 PinSAGE——GCN在推薦系統(tǒng)領(lǐng)域的工業(yè)化應用 76
4.5.5 MetaPath2Vec——異構(gòu)圖Embedding方法 77
4.6 前瞻性召回策略與模型 79
4.6.1 TDM——模型與索引結(jié)合的藝術(shù) 79
4.6.2 對比學習——樣本的魔法 81
4.7 召回質(zhì)量評估方法 82
4.7.1 召回評估方法概述 83
4.7.2 召回率、精確率、F1值——基準評估指標 83
4.7.3 HR、ARHR——TopN推薦評價指標 84
4.7.4 CG、DCG、nDCG——信息增益維度的評估指標 84
4.7.5 長尾覆蓋評估 85
總結(jié) 86
第5章 投你所好的排序環(huán)節(jié) 87
5.1 排序環(huán)節(jié)的意義和優(yōu)化方向 87
5.1.1 排序環(huán)節(jié)的意義 87
5.1.2 排序環(huán)節(jié)的優(yōu)化方向 88
5.2 從Embedding看排序模型的演進 89
5.2.1 什么是Embedding 90
5.2.2 Embedding的產(chǎn)生過程 91
5.2.3 特征組合在深度排序模型中的應用 94
5.2.4 用戶歷史行為建模在深度排序模型中的應用 101
5.2.5 超大規(guī)模Embedding在實際中的應用 107
5.3 推薦系統(tǒng)粗排階段及其發(fā)展歷程 113
5.3.1 粗排定位與技術(shù)路線選擇 114
5.3.2 粗排模型架構(gòu)的演變 116
5.3.3 使用知識蒸餾增強粗排與精排的一致性 120
5.3.4 緩解樣本選擇偏差 128
5.3.5 粗排效果的評價 130
5.4 多目標排序建模 131
5.4.1 多目標排序建模的意義和挑戰(zhàn) 131
5.4.2 多目標排序建模方法概覽 132
5.4.3 多目標融合尋參 142
5.5 推薦系統(tǒng)排序階段的評估 142
5.5.1 排序評估的兩個階段 143
5.5.2 常用的效果評估指標 144
5.5.3 常用的系統(tǒng)評估指標 145
5.5.4 離線和線上效果的一致性問題 146
總結(jié) 147
第6章 權(quán)衡再三重排序 148
6.1 重排序的必要性和作用 148
6.2 重排模型 150
6.2.1 重排模型建模的出發(fā)點 150
6.2.2 序列重排模型 151
6.2.3 基于強化學習的重排模型 157
6.3 重排多樣性策略 160
6.3.1 重排多樣性的出發(fā)點 160
6.3.2 多樣性評估指標 161
6.3.3 規(guī)則多樣性打散 162
6.3.4 多樣性模型策略 164
6.4 重排中的業(yè)務規(guī)則 167
總結(jié) 169
第7章 如若初見冷啟動 170
7.1 推薦冷啟動的定義與挑戰(zhàn) 170
7.2 冷啟動一般解決思路 171
7.3 新用戶推薦冷啟動 173
7.3.1 新用戶召回策略 173
7.3.2 新用戶排序模型 175
7.3.3 新用戶重排策略 177
7.4 新物品分發(fā)冷啟動 178
7.4.1 新物品冷啟動召回策略 179
7.4.2 新物品冷啟動排序策略 180
7.4.3 新物品冷啟動流量分配機制 181
總結(jié) 184
第8章 推薦系統(tǒng)中的魔術(shù)手 185
8.1 特征工程 185
8.1.1 特征的理解和分類 186
8.1.2 特征挖掘維度 186
8.1.3 工程視角下的特征工程開發(fā) 187
8.1.4 特征工程的流程和方法 190
8.2 樣本加工藝術(shù) 193
8.2.1 如何提取有效樣本 193
8.2.2 負樣本優(yōu)化 195
8.2.3 樣本遷移 197
8.2.4 其他樣本優(yōu)化技巧 198
8.3 推薦系統(tǒng)實效性 198
8.3.1 推薦數(shù)據(jù)實效性 199
8.3.2 推薦模型實效性 201
8.3.3 在線學習整體機制 202
8.4 推薦中的偏差與消偏策略 202
8.4.1 推薦偏差的緣由 203
8.4.2 推薦系統(tǒng)常見偏差 203
8.4.3 常用的消偏技術(shù)和策略 205
總結(jié) 209
第9章 系統(tǒng)進化的利器——AB實驗平臺 210
9.1 什么是AB實驗 210
9.2 AB實驗平臺框架 212
9.3 AB實驗分流機制＆實驗類型 214
9.4 AB實驗效果評估 217
9.4.1 推薦系統(tǒng)常見的AB指標 218
9.4.2 AB實驗的假設(shè)檢驗 219
9.4.3 AB實驗的流量大小 221
9.5 AB實驗并不是的 221
總結(jié) 225
第10章 推薦系統(tǒng)中的前沿技術(shù) 226
10.1 強化學習 226
10.2 因果推斷 230
10.3 端上智能 235
10.4 動態(tài)算力分配 238
10.5 增益模型 241
總結(jié) 246
展開全部
這就是推薦系統(tǒng)――核心技術(shù)原理與企業(yè)應用 作者簡介
胡瀾濤，畢業(yè)于清華大學計算機系，快手推薦算法技術(shù)總監(jiān)。曾任字節(jié)跳動高級算法工程師，騰訊高級研究員。在推薦系統(tǒng)領(lǐng)域有豐富的實踐經(jīng)驗，負責過包括Tikok、快手、微信看一看在內(nèi)的多個大規(guī)模工業(yè)級推薦系統(tǒng)的核心研發(fā)工作。主要研究方向為推薦系統(tǒng)，發(fā)表相關(guān)領(lǐng)域的學術(shù)論文6篇，擁有專利5項。李?h亭，畢業(yè)于大連理工大學計算機專業(yè)。曾先后就職于百度、小米等公司，參與百度鳳巢廣告CTR預估模型的研發(fā)，負責小米音樂、閱讀、應用商店、游戲中心等多個產(chǎn)品推薦服務從0到1的搭建，在搜索、廣告、推薦領(lǐng)域有豐富的實戰(zhàn)經(jīng)驗。目前轉(zhuǎn)戰(zhàn)智能家居領(lǐng)域，探索智能感知、智能決策等AI技術(shù)在新場景的落地。崔光范，畢業(yè)于中國科學院軟件研究所，愛奇藝助理研究員，負責短視頻信息流推薦業(yè)務。曾任小米推薦算法工程師，負責應用商店、游戲中心、有品等業(yè)務的推薦工作，從零構(gòu)建了小米垂域業(yè)務的深度推薦引擎。主要研究方向是推薦系統(tǒng)、計算廣告、搜索等，發(fā)表過多篇論文和專利。易可欣，畢業(yè)于北京大學，先后在愛奇藝、快手擔任推薦系統(tǒng)算法工程師，主要研究方向為召回策略與模型、數(shù)據(jù)挖掘、樣本優(yōu)化等。
書友推薦
- >
巴金－再思錄
- >
朝聞道
- >
莉莉和章魚
- >
史學評論
- >
李白與唐代文化
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
山海經(jīng)
- >
自卑與超越
本類暢銷
