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(xué)習(xí)
-
>
Unreal Engine 4藍圖完全學(xué)習(xí)教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
精通推薦算法:核心模塊+經(jīng)典模型+代碼詳解 版權(quán)信息
- ISBN：9787121474514
- 條形碼：9787121474514 ; 978-7-121-47451-4
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
精通推薦算法:核心模塊+經(jīng)典模型+代碼詳解 本書特色
體系化、全鏈路，覆蓋推薦算法核心模塊。 有前沿、有經(jīng)典，詳解常用的模型和技術(shù)。 搜廣推、適用廣，輕松搞定入門面試進階。 可下載本書配套代碼，學(xué)習(xí)效果事半功倍。 加入本書讀者群，交流技術(shù)、offer選擇及職業(yè)規(guī)劃問題。
精通推薦算法:核心模塊+經(jīng)典模型+代碼詳解 內(nèi)容簡介
本書系統(tǒng)介紹了推薦算法的知識框架和技術(shù)細節(jié)，包括召回、粗排、精排和重排等模塊。第1章從用戶體驗、內(nèi)容生產(chǎn)和平臺發(fā)展角度介紹為什么需要推薦系統(tǒng)，并闡述推薦系統(tǒng)的分類及整體技術(shù)架構(gòu)。第2章介紹推薦算法模型的基礎(chǔ)――數(shù)據(jù)樣本和特征工程。第3章介紹傳統(tǒng)推薦算法。第4~7章介紹推薦系統(tǒng)中*復(fù)雜的部分――精排模塊，包括特征交叉、用戶行為序列建模、Embedding表征學(xué)習(xí)和多任務(wù)學(xué)習(xí)。第8章介紹召回模塊，并詳細講解非個性化召回和個性化召回算法。第9章介紹粗排模塊，重點講解特征蒸餾和輕量級特征交叉等方法。第10章介紹重排模塊，包括打散和多樣性、上下文感知和端上重排等技術(shù)細節(jié)。本書適用于推薦算法初學(xué)者、有一定工作經(jīng)驗的推薦算法工程師，以及搜索、廣告和營銷等領(lǐng)域的從業(yè)者，也可作為高等院校計算機等相關(guān)專業(yè)師生的參考資料。
精通推薦算法:核心模塊+經(jīng)典模型+代碼詳解 目錄
第1章 推薦系統(tǒng)概述 1
1.1 為什么需要推薦系統(tǒng) 1
1.1.1 推薦系統(tǒng)與用戶體驗 2
1.1.2 推薦系統(tǒng)與內(nèi)容生產(chǎn) 3
1.1.3 推薦系統(tǒng)與平臺發(fā)展 4
1.2 推薦系統(tǒng)分類 5
1.2.1 業(yè)務(wù)領(lǐng)域分類 5
1.2.2 內(nèi)容介質(zhì)分類 5
1.2.3 交互形態(tài)分類 6
1.2.4 應(yīng)用場景分類 6
1.3 推薦系統(tǒng)技術(shù)架構(gòu) 7
1.4 本章小結(jié) 9
第2章 數(shù)據(jù)樣本和特征工程 10
2.1 數(shù)據(jù)樣本 10
2.1.1 樣本不均衡問題 11
2.1.2 樣本不置信問題 14
2.1.3 離/在線樣本不一致問題 16
2.2 特征工程 17
2.2.1 特征類目體系 18
2.2.2 特征處理范式 21
2.2.3 特征重要性評估 22
2.3 本章小結(jié) 23
第3章 傳統(tǒng)推薦算法 25
3.1 協(xié)同過濾 25
3.1.1 基于用戶的協(xié)同過濾 26
3.1.2 基于物品的協(xié)同過濾 27
3.1.3 協(xié)同過濾的優(yōu)點和局限性 28
3.2 矩陣分解 29
3.2.1 矩陣分解實現(xiàn)方法 30
3.2.2 矩陣分解的優(yōu)點和局限性 31
3.3 邏輯回歸 31
3.3.1 邏輯回歸求解過程 33
3.3.2 邏輯回歸的優(yōu)點和局限性 34
3.4 因子分解機 35
3.4.1 因子分解機模型簡化 35
3.4.2 因子分解機的優(yōu)點和局限性 36
3.5 組合模型 37
3.5.1 GBDT LR組合模型結(jié)構(gòu) 38
3.5.2 GBDT特征轉(zhuǎn)換過程 39
3.5.3 組合模型的思考和總結(jié) 40
3.6 本章小結(jié) 40
第4章 特征交叉 42
4.1 特征交叉概述 43
4.1.1 特征交叉的意義 43
4.1.2 特征交叉基本范式 44
4.1.3 特征交叉的難點 45
4.2 Deep Crossing：經(jīng)典DNN框架模型 46
4.2.1 業(yè)務(wù)背景和特征體系 46
4.2.2 模型結(jié)構(gòu) 48
4.2.3 實現(xiàn)方法 52
4.3 FNN 54
4.3.1 為什么Embedding收斂慢 55
4.3.2 模型結(jié)構(gòu) 55
4.4 PNN 58
4.4.1 模型結(jié)構(gòu) 58
4.4.2 特征交叉實現(xiàn)方法 59
4.5 Wide＆Deep：異構(gòu)模型奠基者 61
4.5.1 “記憶”和“泛化” 61
4.5.2 模型結(jié)構(gòu) 62
4.5.3 系統(tǒng)實現(xiàn) 64
4.5.4 代碼解析 66
4.6 DeepFM：異構(gòu)模型Wide側(cè)引入FM 68
4.6.1 模型結(jié)構(gòu) 68
4.6.2 代碼解析 70
4.7 DCN：異構(gòu)模型Wide側(cè)引入高階交叉 74
4.8 NFM：異構(gòu)模型Deep側(cè)引入顯式交叉 77
4.9 xDeepFM：異構(gòu)模型引入子分支 79
4.10 本章小結(jié) 83
第5章 用戶行為序列建模 85
5.1 用戶行為序列建模概述 86
5.1.1 行為序列建模的意義 87
5.1.2 行為序列建模的基本范式 87
5.1.3 行為序列建模的主要難點 88
5.1.4 行為序列特征工程 89
5.2 DIN：基于注意力機制建模用戶行為序列 90
5.2.1 背景 90
5.2.2 模型結(jié)構(gòu) 92
5.2.3 模型訓(xùn)練方法 95
5.2.4 代碼解析 98
5.3 DIEN：GRU建模用戶行為序列 100
5.3.1 模型結(jié)構(gòu)：興趣抽取層 100
5.3.2 模型結(jié)構(gòu)：興趣進化層 103
5.4 BST：Transformer建模用戶行為序列 105
5.4.1 模型結(jié)構(gòu) 105
5.4.2 代碼解析 109
5.5 DSIN：基于Session建模用戶行為序列 114
5.6 MIMN：基于神經(jīng)圖靈機建模長周期行為序列 117
5.6.1 工程設(shè)計：UIC模塊 118
5.6.2 MIMN模型結(jié)構(gòu) 119
5.7 SIM：基于檢索建模長周期行為序列 123
5.8 ETA：基于SimHash實現(xiàn)檢索索引在線化 126
5.8.1 ETA模型結(jié)構(gòu) 127
5.8.2 SimHash原理 128
5.9 本章小結(jié) 129
第6章 Embedding表征學(xué)習(xí) 131
6.1 Embedding表征學(xué)習(xí)概述 132
6.1.1 Embedding概述 133
6.1.2 Embedding表征學(xué)習(xí)的意義 134
6.1.3 Embedding表征學(xué)習(xí)的基本范式 134
6.1.4 Embedding表征學(xué)習(xí)的主要難點 135
6.2 基于序列的Embedding建模方法 135
6.2.1 Word2vec任務(wù)定義：CBOW和Skip-gram 136
6.2.2 Word2vec模型結(jié)構(gòu) 137
6.2.3 Word2vec訓(xùn)練方法 138
6.2.4 Item2vec：推薦系統(tǒng)引入序列Embedding 139
6.2.5 序列建？偨Y(jié)和思考 139
6.3 基于同構(gòu)圖游走的Graph Embedding 139
6.3.1 DeepWalk：同構(gòu)圖游走算法開山之作 140
6.3.2 LINE：一階相似度和二階相似度探索 141
6.3.3 Node2vec：同質(zhì)性和結(jié)構(gòu)等價性探索 142
6.3.4 同構(gòu)圖游走的優(yōu)缺點 144
6.4 基于異構(gòu)圖游走的Graph Embedding 145
6.4.1 Metapath2vec 145
6.4.2 EGES 146
6.4.3 異構(gòu)圖游走的優(yōu)缺點 149
6.5 圖神經(jīng)網(wǎng)絡(luò) 149
6.5.1 GCN：圖神經(jīng)網(wǎng)絡(luò)開山之作 149
6.5.2 GraphSAGE：圖神經(jīng)網(wǎng)絡(luò)工業(yè)應(yīng)用的高潮 152
6.5.3 圖神經(jīng)網(wǎng)絡(luò)總結(jié) 153
6.6 向量檢索技術(shù) 153
6.6.1 向量距離計算方法 154
6.6.2 向量檢索算法 156
6.6.3 向量檢索常用工具：Faiss 161
6.7 本章小結(jié) 162
第7章 多任務(wù)學(xué)習(xí) 165
7.1 多任務(wù)學(xué)習(xí)發(fā)展歷程 166
7.1.1 為什么需要多任務(wù)學(xué)習(xí) 166
7.1.2 多任務(wù)學(xué)習(xí)的基本框架 167
7.1.3 多任務(wù)學(xué)習(xí)的難點和挑戰(zhàn) 168
7.2 ESMM模型：解決SSB和DS問題的利器 169
7.2.1 樣本選擇偏差和數(shù)據(jù)稀疏問題 169
7.2.2 ESMM模型結(jié)構(gòu) 170
7.2.3 ESMM核心代碼 172
7.3 MMOE模型：多專家多門控網(wǎng)絡(luò) 174
7.3.1 MMOE模型結(jié)構(gòu) 174
7.3.2 MMOE核心代碼 177
7.4 PLE模型：解決負遷移和蹺蹺板現(xiàn)象的利器 179
7.4.1 負遷移和蹺蹺板現(xiàn)象 180
7.4.2 單層CGC模型結(jié)構(gòu) 180
7.4.3 PLE模型結(jié)構(gòu) 183
7.4.4 PLE核心代碼 184
7.5 多任務(wù)融合 188
7.5.1 網(wǎng)格搜索 189
7.5.2 排序模型 190
7.5.3 強化學(xué)習(xí) 190
7.6 本章小結(jié) 192
第8章 召回算法 194
8.1 召回概述 196
8.1.1 推薦底池 196
8.1.2 多路召回 197
8.1.3 召回的難點 198
8.1.4 召回評價體系 199
8.2 個性化召回 200
8.2.1 基于內(nèi)容的個性化召回 200
8.2.2 基于協(xié)同過濾的個性化召回 201
8.2.3 基于社交關(guān)系的個性化召回 203
8.3 向量召回 203
8.3.1 實現(xiàn)方法 204
8.3.2 YouTube DNN 204
8.3.3 Facebook EBR 206
8.3.4 百度MOBIUS 208
8.4 用戶行為序列類向量召回 209
8.4.1 多峰興趣建模的意義 210
8.4.2 MIND的模型結(jié)構(gòu) 210
8.4.3 膠囊網(wǎng)絡(luò) 212
8.5 樣本選擇偏差問題 213
8.5.1 召回樣本構(gòu)建方法 213
8.5.2 ESAM和遷移學(xué)習(xí) 215
8.6 召回檢索優(yōu)化和TDM 218
8.6.1 TDM在線檢索過程 218
8.6.2 TDM索引構(gòu)建和模型訓(xùn)練過程 220
8.6.3 JTM 221
8.6.4 OTM 222
8.7 本章小結(jié) 223
第9章 粗排算法 226
9.1 粗排概述 228
9.1.1 粗排樣本和特征 228
9.1.2 粗排發(fā)展歷程 228
9.1.3 粗排的難點 230
9.1.4 粗排評價體系 230
9.2 PFD模型：知識蒸餾學(xué)習(xí)交叉特征 231
9.2.1 PFD模型結(jié)構(gòu) 231
9.2.2 PFD模型原理 232
9.2.3 PFD與傳統(tǒng)蒸餾相結(jié)合 233
9.2.4 PFD在精排中的應(yīng)用 234
9.3 COLD模型：顯式特征交叉 235
9.3.1 雙塔內(nèi)積模型 235
9.3.2 COLD模型 237
9.4 FSCD模型：效果和效率聯(lián)合優(yōu)化 238
9.4.1 FSCD特征選擇原理 239
9.4.2 FSCD訓(xùn)練步驟 241
9.5 本章小結(jié) 242
第10章 重排算法 243
10.1 重排概述 245
10.1.1 為什么需要重排 245
10.1.2 重排的難點和挑戰(zhàn) 245
10.1.3 流量調(diào)控 246
10.2 打散和多樣性 246
10.2.1 打散 247
10.2.2 多樣性 248
10.2.3 多樣性發(fā)展歷程 248
10.3 上下文感知和PRM模型 249
10.3.1 什么是上下文感知 250
10.3.2 PRM模型結(jié)構(gòu) 250
10.3.3 其他上下文感知實現(xiàn)方案 253
10.4 實時性和延遲反饋問題 254
10.4.1 推薦系統(tǒng)實時性的意義 254
10.4.2 推薦系統(tǒng)實時性分類 255
10.4.3 延遲反饋問題 256
10.4.4 延遲反饋優(yōu)化方案 257
10.5 端上重排和EdgeRec 257
10.5.1 為什么需要端上模型 258
10.5.2 端上推理引擎 259
10.5.3 EdgeRec系統(tǒng)架構(gòu) 259
10.5.4 EdgeRec模型結(jié)構(gòu) 260
10.6 本章小結(jié) 262
1.1 為什么需要推薦系統(tǒng) 1
1.1.1 推薦系統(tǒng)與用戶體驗 2
1.1.2 推薦系統(tǒng)與內(nèi)容生產(chǎn) 3
1.1.3 推薦系統(tǒng)與平臺發(fā)展 4
1.2 推薦系統(tǒng)分類 5
1.2.1 業(yè)務(wù)領(lǐng)域分類 5
1.2.2 內(nèi)容介質(zhì)分類 5
1.2.3 交互形態(tài)分類 6
1.2.4 應(yīng)用場景分類 6
1.3 推薦系統(tǒng)技術(shù)架構(gòu) 7
1.4 本章小結(jié) 9
第2章 數(shù)據(jù)樣本和特征工程 10
2.1 數(shù)據(jù)樣本 10
2.1.1 樣本不均衡問題 11
2.1.2 樣本不置信問題 14
2.1.3 離/在線樣本不一致問題 16
2.2 特征工程 17
2.2.1 特征類目體系 18
2.2.2 特征處理范式 21
2.2.3 特征重要性評估 22
2.3 本章小結(jié) 23
第3章 傳統(tǒng)推薦算法 25
3.1 協(xié)同過濾 25
3.1.1 基于用戶的協(xié)同過濾 26
3.1.2 基于物品的協(xié)同過濾 27
3.1.3 協(xié)同過濾的優(yōu)點和局限性 28
3.2 矩陣分解 29
3.2.1 矩陣分解實現(xiàn)方法 30
3.2.2 矩陣分解的優(yōu)點和局限性 31
3.3 邏輯回歸 31
3.3.1 邏輯回歸求解過程 33
3.3.2 邏輯回歸的優(yōu)點和局限性 34
3.4 因子分解機 35
3.4.1 因子分解機模型簡化 35
3.4.2 因子分解機的優(yōu)點和局限性 36
3.5 組合模型 37
3.5.1 GBDT LR組合模型結(jié)構(gòu) 38
3.5.2 GBDT特征轉(zhuǎn)換過程 39
3.5.3 組合模型的思考和總結(jié) 40
3.6 本章小結(jié) 40
第4章 特征交叉 42
4.1 特征交叉概述 43
4.1.1 特征交叉的意義 43
4.1.2 特征交叉基本范式 44
4.1.3 特征交叉的難點 45
4.2 Deep Crossing：經(jīng)典DNN框架模型 46
4.2.1 業(yè)務(wù)背景和特征體系 46
4.2.2 模型結(jié)構(gòu) 48
4.2.3 實現(xiàn)方法 52
4.3 FNN 54
4.3.1 為什么Embedding收斂慢 55
4.3.2 模型結(jié)構(gòu) 55
4.4 PNN 58
4.4.1 模型結(jié)構(gòu) 58
4.4.2 特征交叉實現(xiàn)方法 59
4.5 Wide＆Deep：異構(gòu)模型奠基者 61
4.5.1 “記憶”和“泛化” 61
4.5.2 模型結(jié)構(gòu) 62
4.5.3 系統(tǒng)實現(xiàn) 64
4.5.4 代碼解析 66
4.6 DeepFM：異構(gòu)模型Wide側(cè)引入FM 68
4.6.1 模型結(jié)構(gòu) 68
4.6.2 代碼解析 70
4.7 DCN：異構(gòu)模型Wide側(cè)引入高階交叉 74
4.8 NFM：異構(gòu)模型Deep側(cè)引入顯式交叉 77
4.9 xDeepFM：異構(gòu)模型引入子分支 79
4.10 本章小結(jié) 83
第5章 用戶行為序列建模 85
5.1 用戶行為序列建模概述 86
5.1.1 行為序列建模的意義 87
5.1.2 行為序列建模的基本范式 87
5.1.3 行為序列建模的主要難點 88
5.1.4 行為序列特征工程 89
5.2 DIN：基于注意力機制建模用戶行為序列 90
5.2.1 背景 90
5.2.2 模型結(jié)構(gòu) 92
5.2.3 模型訓(xùn)練方法 95
5.2.4 代碼解析 98
5.3 DIEN：GRU建模用戶行為序列 100
5.3.1 模型結(jié)構(gòu)：興趣抽取層 100
5.3.2 模型結(jié)構(gòu)：興趣進化層 103
5.4 BST：Transformer建模用戶行為序列 105
5.4.1 模型結(jié)構(gòu) 105
5.4.2 代碼解析 109
5.5 DSIN：基于Session建模用戶行為序列 114
5.6 MIMN：基于神經(jīng)圖靈機建模長周期行為序列 117
5.6.1 工程設(shè)計：UIC模塊 118
5.6.2 MIMN模型結(jié)構(gòu) 119
5.7 SIM：基于檢索建模長周期行為序列 123
5.8 ETA：基于SimHash實現(xiàn)檢索索引在線化 126
5.8.1 ETA模型結(jié)構(gòu) 127
5.8.2 SimHash原理 128
5.9 本章小結(jié) 129
第6章 Embedding表征學(xué)習(xí) 131
6.1 Embedding表征學(xué)習(xí)概述 132
6.1.1 Embedding概述 133
6.1.2 Embedding表征學(xué)習(xí)的意義 134
6.1.3 Embedding表征學(xué)習(xí)的基本范式 134
6.1.4 Embedding表征學(xué)習(xí)的主要難點 135
6.2 基于序列的Embedding建模方法 135
6.2.1 Word2vec任務(wù)定義：CBOW和Skip-gram 136
6.2.2 Word2vec模型結(jié)構(gòu) 137
6.2.3 Word2vec訓(xùn)練方法 138
6.2.4 Item2vec：推薦系統(tǒng)引入序列Embedding 139
6.2.5 序列建？偨Y(jié)和思考 139
6.3 基于同構(gòu)圖游走的Graph Embedding 139
6.3.1 DeepWalk：同構(gòu)圖游走算法開山之作 140
6.3.2 LINE：一階相似度和二階相似度探索 141
6.3.3 Node2vec：同質(zhì)性和結(jié)構(gòu)等價性探索 142
6.3.4 同構(gòu)圖游走的優(yōu)缺點 144
6.4 基于異構(gòu)圖游走的Graph Embedding 145
6.4.1 Metapath2vec 145
6.4.2 EGES 146
6.4.3 異構(gòu)圖游走的優(yōu)缺點 149
6.5 圖神經(jīng)網(wǎng)絡(luò) 149
6.5.1 GCN：圖神經(jīng)網(wǎng)絡(luò)開山之作 149
6.5.2 GraphSAGE：圖神經(jīng)網(wǎng)絡(luò)工業(yè)應(yīng)用的高潮 152
6.5.3 圖神經(jīng)網(wǎng)絡(luò)總結(jié) 153
6.6 向量檢索技術(shù) 153
6.6.1 向量距離計算方法 154
6.6.2 向量檢索算法 156
6.6.3 向量檢索常用工具：Faiss 161
6.7 本章小結(jié) 162
第7章 多任務(wù)學(xué)習(xí) 165
7.1 多任務(wù)學(xué)習(xí)發(fā)展歷程 166
7.1.1 為什么需要多任務(wù)學(xué)習(xí) 166
7.1.2 多任務(wù)學(xué)習(xí)的基本框架 167
7.1.3 多任務(wù)學(xué)習(xí)的難點和挑戰(zhàn) 168
7.2 ESMM模型：解決SSB和DS問題的利器 169
7.2.1 樣本選擇偏差和數(shù)據(jù)稀疏問題 169
7.2.2 ESMM模型結(jié)構(gòu) 170
7.2.3 ESMM核心代碼 172
7.3 MMOE模型：多專家多門控網(wǎng)絡(luò) 174
7.3.1 MMOE模型結(jié)構(gòu) 174
7.3.2 MMOE核心代碼 177
7.4 PLE模型：解決負遷移和蹺蹺板現(xiàn)象的利器 179
7.4.1 負遷移和蹺蹺板現(xiàn)象 180
7.4.2 單層CGC模型結(jié)構(gòu) 180
7.4.3 PLE模型結(jié)構(gòu) 183
7.4.4 PLE核心代碼 184
7.5 多任務(wù)融合 188
7.5.1 網(wǎng)格搜索 189
7.5.2 排序模型 190
7.5.3 強化學(xué)習(xí) 190
7.6 本章小結(jié) 192
第8章 召回算法 194
8.1 召回概述 196
8.1.1 推薦底池 196
8.1.2 多路召回 197
8.1.3 召回的難點 198
8.1.4 召回評價體系 199
8.2 個性化召回 200
8.2.1 基于內(nèi)容的個性化召回 200
8.2.2 基于協(xié)同過濾的個性化召回 201
8.2.3 基于社交關(guān)系的個性化召回 203
8.3 向量召回 203
8.3.1 實現(xiàn)方法 204
8.3.2 YouTube DNN 204
8.3.3 Facebook EBR 206
8.3.4 百度MOBIUS 208
8.4 用戶行為序列類向量召回 209
8.4.1 多峰興趣建模的意義 210
8.4.2 MIND的模型結(jié)構(gòu) 210
8.4.3 膠囊網(wǎng)絡(luò) 212
8.5 樣本選擇偏差問題 213
8.5.1 召回樣本構(gòu)建方法 213
8.5.2 ESAM和遷移學(xué)習(xí) 215
8.6 召回檢索優(yōu)化和TDM 218
8.6.1 TDM在線檢索過程 218
8.6.2 TDM索引構(gòu)建和模型訓(xùn)練過程 220
8.6.3 JTM 221
8.6.4 OTM 222
8.7 本章小結(jié) 223
第9章 粗排算法 226
9.1 粗排概述 228
9.1.1 粗排樣本和特征 228
9.1.2 粗排發(fā)展歷程 228
9.1.3 粗排的難點 230
9.1.4 粗排評價體系 230
9.2 PFD模型：知識蒸餾學(xué)習(xí)交叉特征 231
9.2.1 PFD模型結(jié)構(gòu) 231
9.2.2 PFD模型原理 232
9.2.3 PFD與傳統(tǒng)蒸餾相結(jié)合 233
9.2.4 PFD在精排中的應(yīng)用 234
9.3 COLD模型：顯式特征交叉 235
9.3.1 雙塔內(nèi)積模型 235
9.3.2 COLD模型 237
9.4 FSCD模型：效果和效率聯(lián)合優(yōu)化 238
9.4.1 FSCD特征選擇原理 239
9.4.2 FSCD訓(xùn)練步驟 241
9.5 本章小結(jié) 242
第10章 重排算法 243
10.1 重排概述 245
10.1.1 為什么需要重排 245
10.1.2 重排的難點和挑戰(zhàn) 245
10.1.3 流量調(diào)控 246
10.2 打散和多樣性 246
10.2.1 打散 247
10.2.2 多樣性 248
10.2.3 多樣性發(fā)展歷程 248
10.3 上下文感知和PRM模型 249
10.3.1 什么是上下文感知 250
10.3.2 PRM模型結(jié)構(gòu) 250
10.3.3 其他上下文感知實現(xiàn)方案 253
10.4 實時性和延遲反饋問題 254
10.4.1 推薦系統(tǒng)實時性的意義 254
10.4.2 推薦系統(tǒng)實時性分類 255
10.4.3 延遲反饋問題 256
10.4.4 延遲反饋優(yōu)化方案 257
10.5 端上重排和EdgeRec 257
10.5.1 為什么需要端上模型 258
10.5.2 端上推理引擎 259
10.5.3 EdgeRec系統(tǒng)架構(gòu) 259
10.5.4 EdgeRec模型結(jié)構(gòu) 260
10.6 本章小結(jié) 262
展開全部
精通推薦算法:核心模塊+經(jīng)典模型+代碼詳解 相關(guān)資料
搜索、推薦和廣告一直以來都是工業(yè)界的核心業(yè)務(wù)。進入深度學(xué)習(xí)時代后，推薦算法技術(shù)的發(fā)展和更迭很快。本書深入講解了深度學(xué)習(xí)時代下推薦算法技術(shù)的各方面內(nèi)容。相信能給從業(yè)者帶來較大幫助。 ——螞蟻集團前資深技術(shù)專家 劉恭亮 謝楊易從事搜索和推薦算法工作多年，具有非常豐富的理論和實踐經(jīng)驗。如何優(yōu)化搜索、推薦和廣告業(yè)務(wù)效果？書中給出了詳細的答案。本書非常適合搜索、推薦和廣告算法領(lǐng)域的初學(xué)者和進階者閱讀和學(xué)習(xí)。 ——華為消費者事業(yè)群前高級技術(shù)專家 王康 推薦算法的知識體系十分復(fù)雜，新模型層出不窮。本書的亮點不在于羅列各種模型，而是詳細闡述每個經(jīng)典模型誕生的原因和具體實現(xiàn)方案，使讀者領(lǐng)悟推薦算法的核心要義。 ——騰訊平臺與內(nèi)容事業(yè)群前副總監(jiān) 趙爭超 推薦算法是互聯(lián)網(wǎng)行業(yè)中業(yè)務(wù)增長的重要引擎，其地位十分重要。本書是一本介紹推薦算法的佳作，理論與實踐相結(jié)合，深入淺出，非常適合互聯(lián)網(wǎng)從業(yè)者了解和掌握推薦算法。 ——阿里巴巴淘天集團高級算法專家 朱俊雄 本書體系化地歸納了深度學(xué)習(xí)時代的推薦算法領(lǐng)域知識框架，包含近年來發(fā)布的模型及其代碼實現(xiàn)，內(nèi)容十分新穎，能夠讓讀者快速掌握推薦算法的各項技術(shù)，并在實際工作中學(xué)以致用，非常值得一讀。 ——螞蟻集團網(wǎng)商銀行高級技術(shù)專家 管維剛 推薦算法是目前互聯(lián)網(wǎng)領(lǐng)域中商業(yè)價值很高的技術(shù)方向。本書包含豐富的思維導(dǎo)圖，全面介紹了推薦算法的技術(shù)框架，圖文并茂，代碼詳盡，有利于讀者加深對技術(shù)細節(jié)的理解，希望大家閱讀后有所進益！ ——螞蟻集團智能服務(wù)業(yè)務(wù)高級算法專家 劉佳 本書以全鏈路的視角介紹了推薦算法中的召回、粗排、精排和重排等模塊的技術(shù)細節(jié)。知識結(jié)構(gòu)完整，脈絡(luò)十分清晰，能夠幫助讀者舉一反三。書中介紹了很多經(jīng)典模型，代碼詳細，非常適合入門和進階使用。 ——之江實驗室算法研究員、淘寶首頁前推薦算法專家 彭爽 市場上介紹推薦系統(tǒng)方面的書很多，但詳細講解推薦算法知識體系和經(jīng)典模型的書卻很稀缺。自從進入深度學(xué)習(xí)時代后，推薦算法的發(fā)展可以說是日新月異。本書囊括了近兩年推薦算法方向的重要進展，希望大家讀后有所收獲。 ——騰訊優(yōu)圖實驗室前應(yīng)用算法研究員 丁中干 推薦系統(tǒng)與個性化搜索、計算廣告一脈相承，它們在算法上的優(yōu)化手段具有很強的復(fù)用性。本書不僅適合推薦算法的初學(xué)者和進階者，還適合搜索和廣告方向的工程師。 ——螞蟻集團網(wǎng)商銀行技術(shù)專家 周宇
精通推薦算法:核心模塊+經(jīng)典模型+代碼詳解 作者簡介
謝楊易，本科畢業(yè)于華中科技大學(xué)，碩士畢業(yè)于中國科學(xué)院大學(xué)。主要研究方向為推薦算法、個性化搜索和自然語言處理，歷任阿里巴巴算法專家、騰訊應(yīng)用算法研究員等職位，在搜索和推薦算法領(lǐng)域積累了豐富的經(jīng)驗。CSDN博客專家，原創(chuàng)文章100余篇。發(fā)表專利15個，已授權(quán)6個。
書友推薦
- >
唐代進士錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
自卑與超越
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
煙與鏡
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
名家?guī)阕x魯迅:故事新編
- >
隨園食單
本類暢銷
