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
現代推薦算法 版權信息
- ISBN：9787121454745
- 條形碼：9787121454745 ; 978-7-121-45474-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
現代推薦算法 本書特色
本書不僅全面地介紹了當下前沿流行的各式推薦算法，更多的是在闡釋技術的同時把作者多年作為推薦算法工程師的工作經驗和技巧融合進去，提升本書的含金量，給讀者能同時帶去技術和職場雙重收獲！
得到：
→中國圖象圖形學學會副理事長兼秘書長 北京科技大學計算機與通信工程學院副院長|馬惠敏
→張楓
→Meta Principal Scientist |劉霽
→阿里媽媽展示及內容廣告算法總監|姜宇寧（孟諸）
→北京大學計算機學院助理教授、博士生導師|王鶴
五位專家傾情作序推薦，每篇推薦序都是值得我們學習的推薦典范文章，既講述了推薦的發展歷史又闡明當下推薦趨勢。
也得到了：
→抖音推薦負責人|劉作濤
→字節跳動前視覺技術負責人|王長虎
→快手推薦算法副總裁|周國睿
→清華大學博士|陳曉智
→AMD高級軟件研發經理|李棟
→卡耐基梅隆大學博士后 Sea AI Lab 研究員|許翔宇
→曠視科技高級研究員|劉宇
→清華大學未來實驗室助理研究員|路奇
→思謀科技總經理|蘇馳本書不僅全面地介紹了當下前沿流行的各式推薦算法，更多的是在闡釋技術的同時把作者多年作為推薦算法工程師的工作經驗和技巧融合進去，提升本書的含金量，給讀者能同時帶去技術和職場雙重收獲！
得到：
→中國圖象圖形學學會副理事長兼秘書長 北京科技大學計算機與通信工程學院副院長|馬惠敏
→張楓
→Meta Principal Scientist |劉霽
→阿里媽媽展示及內容廣告算法總監|姜宇寧（孟諸）
→北京大學計算機學院助理教授、博士生導師|王鶴
五位專家傾情作序推薦，每篇推薦序都是值得我們學習的推薦典范文章，既講述了推薦的發展歷史又闡明當下推薦趨勢。
也得到了：
→抖音推薦負責人|劉作濤
→字節跳動前視覺技術負責人|王長虎
→快手推薦算法副總裁|周國睿
→清華大學博士|陳曉智
→AMD高級軟件研發經理|李棟
→卡耐基梅隆大學博士后 Sea AI Lab 研究員|許翔宇
→曠視科技高級研究員|劉宇
→清華大學未來實驗室助理研究員|路奇
→思謀科技總經理|蘇馳
九位專家的鼎力推薦，誠心道出對本書的贊賞與評價，供讀者品鑒。
現代推薦算法 內容簡介
本書深入全面地講解了現代推薦算法，同時兼顧深度和廣度，介紹了當下較前沿、優選的各類算法及其實踐。本書從總覽篇開始，介紹推薦系統的基本概念及工作環節。在模型篇中，除了梳理推薦系統的發展史，本書還重點講解面向工業實踐的選擇及改進，為讀者打下推薦系統的算法基礎；進而帶著讀者進階到前沿篇、難點篇，面對推薦系統中的各式問題，給出解決方案；*后在決策篇中，從技術原理和用戶心理出發，解釋一些常見決策背后的依據，從而幫助讀者從執行層面進階到決策層面，建立大局觀。本書力求用簡潔易懂的語言說清核心原理，對已經有一定機器學習概念和數學基礎的學生和相關領域的從業者非常友好，特別適合推薦系統、計算廣告和搜索領域的從業者及學生拓展新知和項目實戰
現代推薦算法 目錄
總覽篇
第 1 章 推薦系統概述 ............................................................................................. 2
1.1 推薦系統是什么 .......................................................................................... 2
1.2 推薦系統發展的天時、地利、人和 .......................................................... 4
1.2.1 天時 .................................................................................................. 6
1.2.2 地利 .................................................................................................. 6
1.2.3 人和 .................................................................................................. 7
第 2 章 現代推薦鏈路 ............................................................................................. 9
2.1 召回、粗排、精排——各有所長 .............................................................. 9
2.2 召回、粗排、精排——級聯漏斗 ............................................................ 13
2.3 打壓、保送、重排——拍不完的腦袋 .................................................... 20
模型篇
第 3 章 精排之鋒 ................................................................................................... 25
3.1 簡單“復讀機”——邏輯回歸模型 ........................................................ 25
3.2 工業邏輯回歸模型的稀疏性要求 ............................................................ 29
3.3 FM 的一小步，泛化的一大步 ................................................................. 34
3.4 多彩的 FNN/PNN/ONN/NFM 世界 ......................................................... 37
3.5 高階交叉 ................................................................................................... 41
3.6 工具人 GBDT ............................................................................................ 45
3.7 嵌入表示亦福亦禍，樹模型的新機遇 .................................................... 49
3.8 DNN 與兩大門派，“一念神魔”與功不唐捐 ........................................ 53
3.9 再論特征與嵌入生成 ................................................................................ 58
3.10 機器學習指定王牌技術——注意力機制 ...................................... 62
3.11 注意力機制的幾種寫法 .......................................................................... 65
3.12 Transformer 的升維打擊 ......................................................................... 69
第 4 章 粗排之柔 ................................................................................................... 72
4.1 粗排存在與否的必要性 ............................................................................ 73
4.2 粗排復雜化的方法 .................................................................................... 73
4.3 Pair-wise 與 List-wise ................................................................................ 74
第 5 章 召回之厚 ................................................................................................... 76
5.1 u2i 之雙塔進擊史 ..................................................................................... 76
5.2 i2i 及 u2u2i 方案 ....................................................................................... 81
5.3 近似搜索概覽 ............................................................................................ 85
5.3.1 向量量化類方法 ............................................................................ 86
5.3.2 基于圖的搜索 ................................................................................ 87
5.4 樹模型與類樹模型的沖擊 ........................................................................ 89
第 6 章 模型迭代的術與道 .................................................................................... 93
6.1 什么是“老湯模型” ................................................................................ 93
6.2 模型迭代的“術” .................................................................................... 96
6.3 模型迭代的“道” .................................................................................... 98
前沿篇
第 7 章 用戶興趣建模 ......................................................................................... 101
7.1 從百到萬的用戶長期興趣建模 .............................................................. 101
7.1.1 從百到千 ...................................................................................... 102
7.1.2 從千到萬 ...................................................................................... 102
7.2 用戶多峰興趣建模 .................................................................................. 104
第 8 章 多任務學習 ............................................................................................. 107
8.1 多任務學習的實踐意義 .......................................................................... 107
8.2 多任務學習的基本框架 .......................................................................... 110
8.3 平行關系建模——MMoE 類方法 ......................................................... 113
8.4 非平行關系建模，任務間的因果 .......................................................... 117
第 9 章 非梯度場景 ............................................................................................. 121
9.1 線上與線下的鴻溝 .................................................................................. 121
9.2 弱個性化 CEM，強個性化強化學習 .................................................... 124
9.3 探微參數與性能的關系，把點連成面 .................................................. 128
第 10 章 探索與利用 ........................................................................................... 133
10.1 為什么要探索與利用 ............................................................................ 133
10.2 探索的本質是巧妙“貪心” ................................................................ 136
第 11 章 后精排環節 ........................................................................................... 139
11.1 定義多樣性問題，簡單的形式與復雜的標準 .................................... 139
11.2 DPP 算法與多樣性 ............................................................................... 142
11.3 考慮上下文的重排序 ............................................................................ 144
第 12 章 推薦中的偏差與消除............................................................................. 147
12.1 各種各樣的偏差 .................................................................................... 147
12.2 流行度偏差的消除 ................................................................................ 148
12.3 位置偏差的消除 .................................................................................... 151
第 13 章 自動機器學習技術 ................................................................................ 155
13.1 網絡結構搜索與網絡微操的探索 ........................................................ 155
13.2 特征的搜索 ............................................................................................ 159
13.3 模型壓縮 ............................................................................................... 161
第 14 章 圖計算 .................................................................................................. 165
14.1 數據結構的終極 .................................................................................... 165
14.2 GNN 的極簡發展史 .............................................................................. 168
14.3 物料非原子化，建模轉向圖 ................................................................ 171
難點篇
第 15 章 延遲轉化 ............................................................................................... 175
15.1 轉化與廣告機制 ................
第 1 章 推薦系統概述 ............................................................................................. 2
1.1 推薦系統是什么 .......................................................................................... 2
1.2 推薦系統發展的天時、地利、人和 .......................................................... 4
1.2.1 天時 .................................................................................................. 6
1.2.2 地利 .................................................................................................. 6
1.2.3 人和 .................................................................................................. 7
第 2 章 現代推薦鏈路 ............................................................................................. 9
2.1 召回、粗排、精排——各有所長 .............................................................. 9
2.2 召回、粗排、精排——級聯漏斗 ............................................................ 13
2.3 打壓、保送、重排——拍不完的腦袋 .................................................... 20
模型篇
第 3 章 精排之鋒 ................................................................................................... 25
3.1 簡單“復讀機”——邏輯回歸模型 ........................................................ 25
3.2 工業邏輯回歸模型的稀疏性要求 ............................................................ 29
3.3 FM 的一小步，泛化的一大步 ................................................................. 34
3.4 多彩的 FNN/PNN/ONN/NFM 世界 ......................................................... 37
3.5 高階交叉 ................................................................................................... 41
3.6 工具人 GBDT ............................................................................................ 45
3.7 嵌入表示亦福亦禍，樹模型的新機遇 .................................................... 49
3.8 DNN 與兩大門派，“一念神魔”與功不唐捐 ........................................ 53
3.9 再論特征與嵌入生成 ................................................................................ 58
3.10 機器學習指定王牌技術——注意力機制 ...................................... 62
3.11 注意力機制的幾種寫法 .......................................................................... 65
3.12 Transformer 的升維打擊 ......................................................................... 69
第 4 章 粗排之柔 ................................................................................................... 72
4.1 粗排存在與否的必要性 ............................................................................ 73
4.2 粗排復雜化的方法 .................................................................................... 73
4.3 Pair-wise 與 List-wise ................................................................................ 74
第 5 章 召回之厚 ................................................................................................... 76
5.1 u2i 之雙塔進擊史 ..................................................................................... 76
5.2 i2i 及 u2u2i 方案 ....................................................................................... 81
5.3 近似搜索概覽 ............................................................................................ 85
5.3.1 向量量化類方法 ............................................................................ 86
5.3.2 基于圖的搜索 ................................................................................ 87
5.4 樹模型與類樹模型的沖擊 ........................................................................ 89
第 6 章 模型迭代的術與道 .................................................................................... 93
6.1 什么是“老湯模型” ................................................................................ 93
6.2 模型迭代的“術” .................................................................................... 96
6.3 模型迭代的“道” .................................................................................... 98
前沿篇
第 7 章 用戶興趣建模 ......................................................................................... 101
7.1 從百到萬的用戶長期興趣建模 .............................................................. 101
7.1.1 從百到千 ...................................................................................... 102
7.1.2 從千到萬 ...................................................................................... 102
7.2 用戶多峰興趣建模 .................................................................................. 104
第 8 章 多任務學習 ............................................................................................. 107
8.1 多任務學習的實踐意義 .......................................................................... 107
8.2 多任務學習的基本框架 .......................................................................... 110
8.3 平行關系建模——MMoE 類方法 ......................................................... 113
8.4 非平行關系建模，任務間的因果 .......................................................... 117
第 9 章 非梯度場景 ............................................................................................. 121
9.1 線上與線下的鴻溝 .................................................................................. 121
9.2 弱個性化 CEM，強個性化強化學習 .................................................... 124
9.3 探微參數與性能的關系，把點連成面 .................................................. 128
第 10 章 探索與利用 ........................................................................................... 133
10.1 為什么要探索與利用 ............................................................................ 133
10.2 探索的本質是巧妙“貪心” ................................................................ 136
第 11 章 后精排環節 ........................................................................................... 139
11.1 定義多樣性問題，簡單的形式與復雜的標準 .................................... 139
11.2 DPP 算法與多樣性 ............................................................................... 142
11.3 考慮上下文的重排序 ............................................................................ 144
第 12 章 推薦中的偏差與消除............................................................................. 147
12.1 各種各樣的偏差 .................................................................................... 147
12.2 流行度偏差的消除 ................................................................................ 148
12.3 位置偏差的消除 .................................................................................... 151
第 13 章 自動機器學習技術 ................................................................................ 155
13.1 網絡結構搜索與網絡微操的探索 ........................................................ 155
13.2 特征的搜索 ............................................................................................ 159
13.3 模型壓縮 ............................................................................................... 161
第 14 章 圖計算 .................................................................................................. 165
14.1 數據結構的終極 .................................................................................... 165
14.2 GNN 的極簡發展史 .............................................................................. 168
14.3 物料非原子化，建模轉向圖 ................................................................ 171
難點篇
第 15 章 延遲轉化 ............................................................................................... 175
15.1 轉化與廣告機制 ................
展開全部
現代推薦算法 相關資料
《現代推薦算法》這本書，對現代推薦領域的技術和應用進行了重新梳理。本書從應用需求和實際問題出發，翔實地介紹了推薦系統環節、具體算法模型、前沿技術與方向。此外，本書還包含解決冷啟動等難點問題的技巧，多種技術選型的討論，以及產品運營決策的建議。
——中國圖象圖形學學會副理事長兼秘書長 北京科技大學計算機與通信工程學院副院長|馬惠敏
《現代推薦算法》這本書很難得地從當前互聯網主流產品和推薦系統的真實問題出發，總結了包含阿里巴巴、字節跳動等公司公開的技術進展，更適合當下一線的推薦算法從業者閱讀。
——張楓
這本書從實踐出發，比較全面地涵蓋了近幾年前沿的推薦技術的發展，深入淺出，兼顧了前沿性、實用性和嚴謹性，是不可多得的推薦領域入門教材。即便對像我這樣具備一定從業經驗的人來說，在讀到很多章節時也受益匪淺。
后希望這本書能夠為大家順利打開進入推薦行業的大門。
——Meta Principal Scientist |劉霽
本書由水哥（趙致辰）撰寫，他是我在字節跳動的同事和朋友。他不僅有豐富的計算機視覺和推薦系統的研發經驗，還是一個有敏銳洞察力和創造力的人。他能夠將的研究成果轉化為實際應用，并且能夠清晰地闡述自己的思路和方法。這本書就是他對推薦系統領域的總結和分享。本書涵蓋了從基礎理論到前沿技術，從工程實踐到業界案例，從數學公式到代碼實現等方面的內容，既適合初學者作為入門教材，也適合進階者作為參考資料。
——阿里媽媽展示及內容廣告算法總監|姜宇寧（孟諸）
從內容上講，這本書以推薦系統的視角，從理論到實踐，從算法到工程，從技術到商業，全面講解了推薦系統的方方面面。這使得讀者不僅能夠了解推薦系統的原理，還能掌握實際應用的技巧，對工業界人士和感興趣的同學們來說都是極具參考價值的。
——北京大學計算機學院助理教授、博士生導師|王鶴
當下，推薦算法已經得到非常廣泛的應用，進而影響到大家生活的很多方面，也或改變、或更新了很多商業模式。相應地，人們對推薦系統的需求和復雜度的要求達到了一個前所未有的高度，推薦系統所用的技術正在經歷巨大的變革。作為推薦領域的從業者，我們需要重新審視和理解推薦系統，本書的出版恰合時宜。本書全面地闡述了大規模現代推薦系統所遇到的各種問題，包括其難點和痛點，同時細致地介紹了前沿算法、業界新進展及作者本人的深度思考。我相信本書對推薦領域的從業者在業務知識的補充和職業方向的選擇等方面會有很不錯的助益。
——抖音推薦負責人|劉作濤
本書是一部探討推薦系統核心技術與實踐應用的精彩之作。作者以在字節跳動廣告推薦領域的實戰經驗為基礎，在本書中生動地闡述了推薦系統的全鏈路及模型，以及其對前沿技術的獨到見解。本書既有理論深度，又有實踐指導價值，強烈建議給關心推薦系統研究與應用的朋友們閱讀。
——字節跳動前視覺技術負責人|王長虎
通讀本書，不僅能領略推薦系統的發展進程，理解各階段的技術思路，還能在各個細節之處發現驚喜。本書蘊含諸多獨到的見解，值得用心體會。
——快手推薦算法副總裁|周國睿
與諸如計算機視覺等機器學習不同，推薦面對的對象不是客觀的物體，而是用戶。在互聯網時代，對用戶的理解是不可或缺的。本書凝結了作者對推薦領域的思考、對用戶的認識，內含作者的獨到見解，讀后有很大幫助。
——清華大學博士|陳曉智
本書深入淺出地介紹了現代推薦系統的核心技術，全面剖析了推薦系統的基礎模型、技術前沿和難點問題。本書行文幽默詼諧、言必有物，是一本難得的推薦系統入門和工業實戰佳作。
——AMD 高級軟件研發經理|李棟
《現代推薦算法》一書以通俗易懂的語言解釋了推薦系統中的各種復雜技術和算法，凝結了作者在該領域的長期積累和深刻洞見，非常適合于想要學習推薦系統的初學者和從業人員，它不僅可以幫助讀者建立推薦系統的基礎知識，還可以幫助讀者深入了解推薦系統的各種算法和應用場景，我強烈推薦這本書給所有對推薦系統感興趣的讀者。
——卡耐基梅隆大學博士后 Sea AI Lab 研究員|許翔宇
本書深入淺出地介紹了推薦系統的理論知識及產品應用，新手能從中學習到豐富的推薦系統知識，已經從事推薦行業多年的人再讀也會頗有啟發。我誠摯地向想了解推薦系統和想進一步深入研究推薦系統的讀者推薦此書。
——曠視科技高級研究員|劉宇
閱讀本書使得我們對互聯網推薦系統有了更加深刻的理解，本書內容覆蓋全面，從技術架構、算法細節到用戶理解、運營邏輯等均有涉獵，對于相關從業人員的進階修煉大有益處，同時也為廣大普通用戶了解自己常用的信息獲取平臺的背后推薦機制提供了有效入口。
——清華大學未來實驗室助理研究員|路奇
對于想要深入了解推薦系統的人來說，《現代推薦算法》這本書是一個非常好的選擇。該書介紹了推薦系統的基本原理、常用算法以及實現技術，并提供了詳細的案例研究和實踐經驗。無論你是一名學生、研究人員還是工程師，這本書都會為你提供豐富的知識和實用的指導，讓你能夠更好地設計和實現推薦系統，為用戶提供更好的推薦服務。
——思謀科技總經理|蘇馳
現代推薦算法 作者簡介
趙致辰 本碩畢業于清華大學電子工程系。主要研究方向包括動作識別、人臉識別、廣告和推薦中的排序模型及冷啟動問題等，發表相關學術領域論文7篇。曾從事移動端人臉識別工作，開發的紅外人臉識別算法應用于國內多款手機；在推薦領域，提出的“POSO”模型在用戶冷啟動問題上取得突破性收益，已經在業界廣泛應用，國內外多家公司與產品如TikTok、快手、Meta等都在以POSO為原型探索冷啟動模型。
書友推薦
- >
經典常談
- >
自卑與超越
- >
羅庸西南聯大授課錄
- >
二體千字文
- >
龍榆生：詞曲概論/大家小書
- >
伯納黛特,你要去哪(2021新版)
- >
煙與鏡
- >
推拿
本類暢銷
