掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
構建企業級推薦系統:算法、工程實現與案例分析 版權信息
- ISBN：9787111686163
- 條形碼：9787111686163 ; 978-7-111-68616-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
構建企業級推薦系統:算法、工程實現與案例分析 本書特色
適讀人群 ：推薦系統開發及推薦算法研究的相關從業者。 未來期望從事推薦系統相關工作的學生。 已經工作但是想轉行做推薦系統相關工作的在職人員。 從事推薦算法研究，希望對推薦系統在工業界應用有所了解的高校科研人員。 對推薦系統感興趣的產品、運營人員。 期望將推薦系統引入產品體系的公司管理層。配套講解視頻，對應書中章節 觀看方式： 1、微信關注“華章計算機” 2、在后臺回復關鍵詞：推薦系統 1、本書作者擁有12年推薦系統開發實踐經驗，從零到一構建過千萬級DAU視頻APP的推薦系統。 2、本書聚焦在企業級推薦系統，所有算法都有詳細實現思路分析，可直接用于企業實戰。 3、本書內容全面，涵蓋場景、算法、工程、產品、運營、案例等，是企業級推薦系統領域集大成之作。 4、素材豐富。書籍配套講解視頻，含長視頻與短視頻兩種形式，方便你在整塊與碎片時間穿插學習，快速掌握重點。
構建企業級推薦系統:算法、工程實現與案例分析 內容簡介
配套講解視頻，對應書中章節 觀看方式： 1、微信關注“華章計算機” 2、在后臺回復關鍵詞：推薦系統 本書從不同角度來介紹企業級推薦系統構建的理論、方法、策略。首先讓讀者對推薦系統有一個基礎的認知，然后針對將要用到的算法知識進行了詳細講解，接著從用戶維度、標的物維度、算法維度、平臺方維度等角度介紹了評估方法，再進行了工程實現，通過案例對工程實現的核心模塊、架構設計、技術選型進行分解。緊接其后從運營角度講解了推薦產品的應用場景及設計推薦產品的基本原則，并進行了實踐，通過實踐案例分析，進一步強化前面介紹的各個知識點，讓讀者有一個系統認識。
構建企業級推薦系統:算法、工程實現與案例分析 目錄
前 言
**篇 推薦系統基礎認知
第1章 推薦系統介紹 2
1.1 推薦系統產生的背景 2
1.2 推薦系統解決什么問題 3
1.3 推薦系統的應用領域 3
1.4 推薦系統的定義 4
1.5 常用的推薦算法 5
1.5.1 基于內容的推薦 5
1.5.2 協同過濾 5
1.5.3 基于模型的推薦 6
1.5.4 基于社交關系的推薦 6
1.6 構建推薦系統的阻礙與挑戰 6
1.7 推薦系統的價值 7
1.8 本章小結 8
第二篇 推薦系統基礎算法
第2章 推薦算法基礎 10
2.1 推薦系統范式 10
2.2 推薦算法3階段pipeline架構 14
2.3 推薦召回算法 15
2.3.1 完全非個性化范式 15
2.3.2 完全個性化范式 15
2.3.3 群組個性化范式 19
2.3.4 標的物關聯標的物范式 20
2.3.5 笛卡兒積范式 22
2.4 排序算法 22
2.4.1 logistic回歸模型 23
2.4.2 GBDT模型 24
2.4.3 Wide & Deep模型 24
2.5 推薦算法落地需要關注的幾個問題 24
2.5.1 推薦算法工程落地一定要用到排序模塊嗎 24
2.5.2 推薦算法服務于用戶的兩種形式 25
2.5.3 推薦系統評估 25
2.6 本章小結 25
第3章 基于內容的推薦算法 27
3.1 什么是基于內容的推薦算法 27
3.2 基于內容的推薦算法的實現原理 28
3.2.1 基于用戶和標的物特征為用戶推薦的核心思想 29
3.2.2 構建用戶特征表示 29
3.2.3 構建標的物特征表示 30
3.2.4 為用戶做個性化推薦 36
3.3 基于內容的推薦算法應用場景 39
3.4 基于內容的推薦算法的優缺點 40
3.4.1 優點 41
3.4.2 缺點 41
3.5 基于內容的推薦算法落地需要關注的問題 42
3.5.1 內容來源的獲取 42
3.5.2 怎么利用負向反饋 43
3.5.3 興趣隨時間變化 44
3.5.4 數據清洗 44
3.5.5 加速計算與節省資源 44
3.5.6 解決基于內容的推薦越推越窄的問題 44
3.5.7 工程落地技術選型 45
3.5.8 業務的安全性 45
3.6 本章小結 45
第4章 協同過濾推薦算法 47
4.1 協同過濾思想簡介 47
4.2 協同過濾算法原理介紹 48
4.2.1 基于用戶的協同過濾 49
4.2.2 基于標的物的協同過濾 49
4.3 離線協同過濾算法的工程實現 49
4.3.1 計算topN相似度 50
4.3.2 為用戶生成推薦 52
4.4 近實時協同過濾算法的工程實現 54
4.4.1 獲取用戶在一個時間窗口內的行為 54
4.4.2 基于用戶行為記錄更新標的物關聯表CR 55
4.4.3 更新用戶的行為記錄HBase表：UAction 55
4.4.4 為用戶生成個性化推薦 55
4.5 協同過濾算法的應用場景 57
4.5.1 完全個性化推薦 57
4.5.2 標的物關聯標的物推薦 58
4.5.3 其他應用形式及場景 58
4.6 協同過濾算法的優缺點 58
4.6.1 優點 59
4.6.2 缺點 59
4.7 協同過濾算法落地到業務場景需要關注的問題 60
4.7.1 兩種協同過濾算法的選擇 60
4.7.2 對時間加權 60
4.7.3 關于用戶對標的物的評分 61
4.7.4 相似度計算 61
4.7.5 冷啟動問題 62
4.8 本章小結 63
第5章 基于樸素ML思想的協同過濾算法 65
5.1 基于關聯規則的推薦算法 65
5.2 基于樸素貝葉斯的推薦算法 67
5.3 基于聚類的推薦算法 70
5.3.1 基于用戶聚類的推薦 70
5.3.2 基于標的物聚類的推薦 71
5.4 YouTube基于關聯規則思路的視頻推薦算法 71
5.4.1 計算兩個視頻的相似度(關聯度) 72
5.4.2 基于單個種子視頻生成候選視頻集 72
5.4.3 基于用戶行為為用戶生成推薦候選集 72
5.4.4 推薦結果排序 73
5.5 Google News基于貝葉斯框架的推薦算法 74
5.5.1 基于用戶過去的行為來分析用戶的興趣點 75
5.5.2 利用貝葉斯框架來建模用戶的興趣 75
5.5.3 為用戶做個性化推薦 78
5.6 Google News基于用戶聚類的推薦算法 78
5.6.1 基于MinHash聚類 78
5.6.2 基于聚類為用戶做推薦 80
5.7 本章小結 80
第6章 矩陣分解推薦算法 83
6.1 矩陣分解推薦算法的核心思想 83
6.2 矩陣分解推薦算法的算法原理 84
6.3 矩陣分解推薦算法的求解方法 85
6.3.1 利用SGD來求解矩陣分解 85
6.3.2 利用ALS來求解矩陣分解 86
6.4 矩陣分解推薦算法的拓展與優化 87
6.4.1 整合偏差項 87
6.4.2 增加更多的用戶信息輸入 87
6.4.3 整合時間因素 88
6.4.4 整合用戶對評分的置信度 89
6.4.5 隱式反饋 89
6.4.6 整合用戶和標的物metadata信息 90
6.5 近實時矩陣分解算法 91
6.5.1 算法原理 92
6.5.2 工程實現 94
6.6 矩陣分解算法的應用場景 97
6.6.1 應用于完全個性化推薦場景 97
6.6.2 應用于標的物關聯標的物場景 98
6.6.3
展開全部
構建企業級推薦系統:算法、工程實現與案例分析 作者簡介
劉強 碩士學歷，09年畢業于中國科學技術大學數學系。有12年大數據與推薦系統實踐經驗，精通企業級推薦系統的構建。從零到一打造過千萬級DAU視頻APP的推薦系統，推薦系統產生的流量占全APP流量的30%。 創建了“數據與智能”社區（包括同名的微信公眾號、視頻號、知乎、B站等自媒體平臺號），聚焦于數據分析、大數據、推薦系統、機器學習、人工智能等領域的知識分享與傳播。 在過去的3年內為多家中小型互聯網公司(流媒體、在線教育、跨境電商等)提供技術咨詢，幫助他們從零到一構建推薦系統。
書友推薦
- >
莉莉和章魚
- >
【精裝繪本】畫給孩子的中國神話
- >
月亮與六便士
- >
中國歷史的瞬間
- >
史學評論
- >
李白與唐代文化
- >
回憶愛瑪儂
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
