中圖網小程序
一鍵登錄
更方便
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
互聯網大廠推薦算法實戰 版權信息
- ISBN：9787115628688
- 條形碼：9787115628688 ; 978-7-115-62868-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
互聯網大廠推薦算法實戰 本書特色
1.作者趙傳霖博士具有深厚的學術背景和豐富的實踐經驗，是知識平臺上的優秀答主，并在互聯網算法領域有著10余年的從業經驗。他的經驗和專業知識將為讀者提供寶貴的指導和見解。
2.內容涵蓋了推薦系統的基礎知識和前沿技術。不僅介紹了推薦系統的基礎知識、特征工程等核心概念，還涵蓋了推薦系統的各個組成模塊所使用的算法技術，幫助讀者全面了解推薦系統的各個方面。
3.介紹推薦算法的基本原理和框架，還提供了解決實際問題的實用指南。讀者將學習到如何應對多任務推薦、多場景推薦、新用戶冷啟動等常見難題，并了解如何評估模型效果和定位問題。
4.無論是在職人員還是學生，都可以通過閱讀本書來深入了解互聯網大廠的前沿推薦算法和技術，提升自己的專業能力和競爭力。
互聯網大廠推薦算法實戰 內容簡介
《互聯網大廠推薦算法實戰》介紹了互聯網大廠當前采用的一些前沿推薦算法，并梳理了這些算法背后的思想脈絡與技術框架。 《互聯網大廠推薦算法實戰》總計10章，內容涵蓋了推薦系統的基礎知識、推薦系統中的特征工程、推薦系統中的Embedding、推薦系統的各組成模塊（包括召回、粗排、精排與重排）所使用的算法技術、推薦算法實踐中經常會遇到的難題以及應對之道（其中涉及多任務推薦、多場景推薦、新用戶冷啟動、新物料冷啟動、評估模型效果、定位并解決問題等），*后還用一章的篇幅介紹了推薦算法工程師在工作、學習、面試時應該采取的做法。 《互聯網大廠推薦算法實戰》既適合推薦系統、計算廣告、個性化搜索領域的從業人員閱讀，也適合希望從事互聯網算法工作的在校學生閱讀。
互聯網大廠推薦算法實戰 目錄
第 1章 推薦系統簡介 1
1.1 推薦系統的意義 2
1.2 推薦系統是如何運行的 3
1.3 推薦系統架構 5
1.3.1 功能架構 5
1.3.2 數據架構 8
1.4 推廣搜的區別與聯系 10
1.4.1 三駕馬車的相同點 10
1.4.2 推薦與搜索 11
1.4.3 推搜與廣告 12
1.5 小結 12
第 2章 推薦系統中的特征工程 14
2.1 批判“特征工程過時”的錯誤論調 15
2.2 特征提取 16
2.2.1 物料畫像 16
2.2.2 用戶畫像 18
2.2.3 交叉特征 21
2.2.4 偏差特征 22
2.3 數值特征的處理 25
2.3.1 處理缺失值 25
2.3.2 標準化 25
2.3.3 數據平滑與消偏 26
2.3.4 分桶離散化 27
2.4 類別特征的處理 28
2.4.1 類別特征更受歡迎 28
2.4.2 類別特征享受VIP服務 29
2.4.3 映射 30
2.4.4 特征哈希 31
2.5 小結 32
第3章 推薦系統中的Embedding 33
3.1 無中生有：推薦算法中的Embedding 33
3.1.1 傳統推薦算法：博聞強識 33
3.1.2 推薦算法的剛需：擴展性 35
3.1.3 深度學習的核心思想：無中生有的Embedding 36
3.1.4 Embedding的實現細節 37
3.2 共享Embedding還是獨占Embedding 42
3.2.1 共享Embedding 42
3.2.2 獨占Embedding 43
3.3 Parameter Server：推薦算法的訓練加速器 46
3.3.1 傳統分布式計算的不足 46
3.3.2 基于PS的分布式訓練范式 47
3.3.3 PS中的并行策略 49
3.3.4 基于ps-lite實現分布式算法 51
3.3.5 更先進的PS 57
3.4 小結 60
第4章 精排 61
4.1 推薦算法的5個維度 61
4.2 交叉結構 62
4.2.1 FTRL：傳統時代的記憶大師 62
4.2.2 FM：半只腳邁入DNN的門檻 69
4.2.3 Wide & Deep：兼顧記憶與擴展 71
4.2.4 DeepFM：融合二階交叉 74
4.2.5 DCN：不再執著于DNN 76
4.2.6 AutoInt：變形金剛做交叉 79
4.3 用戶行為序列建模 86
4.3.1 行為序列信息的構成 86
4.3.2 簡單Pooling 86
4.3.3 用戶建模要“千物千面” 87
4.3.4 建模序列內的依賴關系 89
4.3.5 多多益善：建模長序列 91
4.4 小結 96
第5章 召回 97
5.1 傳統召回算法 97
5.1.1 基于物料屬性的倒排索引 98
5.1.2 基于統計的協同過濾算法 99
5.1.3 矩陣分解算法 99
5.1.4 如何合并多路召回 100
5.2 向量化召回統一建模框架 101
5.2.1 如何定義正樣本 102
5.2.2 重點關注負樣本 103
5.2.3 解耦生成Embedding 105
5.2.4 如何定義優化目標 106
5.3 借助Word2Vec 111
5.3.1 *簡單的Item2Vec 112
5.3.2 Airbnb召回算法 116
5.3.3 阿里巴巴的EGES召回 118
5.4 “瑞士軍刀”FM的召回功能 120
5.4.1 打壓熱門物料 121
5.4.2 增廣Embedding 122
5.5 大廠主力：雙塔模型 124
5.5.1 不同場景下的正樣本 124
5.5.2 簡化負采樣 124
5.5.3 雙塔結構特點 126
5.5.4 Sampled Softmax Loss的技巧 127
5.5.5 雙塔模型實現舉例 129
5.6 鄰里互助：GCN召回 131
5.6.1 GCN基礎 131
5.6.2 PinSage：大規模圖卷積的經典案例 134
5.6.3 異構圖上的GCN 142
5.7 小結 143
第6章 粗排與重排 145
6.1 粗排 146
6.1.1 模型：雙塔仍然是主力 146
6.1.2 目標：拜精排為師 154
6.1.3 數據：糾正曝光偏差 158
6.1.4 模型：輕量級全連接 159
6.2 重排 161
6.2.1 基于啟發式規則 162
6.2.2 基于行列式點過程 165
6.2.3 基于上下文感知的排序學習 174
6.3 小結 180
第7章 多任務與多場景 181
7.1 多任務推薦 181
7.1.1 多任務建模的誤區 182
7.1.2 并發建模 182
7.1.3 串行建模 193
7.1.4 多個損失的融合 202
7.1.5 多個打分的融合 206
7.2 多場景推薦 209
7.2.1 特征位置 210
7.2.2 模型結構 211
7.2.3 模型參數 215
7.3 小結 217
第8章 冷啟動 219
8.1 Bandit算法 219
8.1.1 多臂老虎機問題 220
8.1.2 Epsilon Greedy 221
8.1.3 UCB 222
8.1.4 概率匹配 223
8.1.5 Bayesian Bandit 223
8.1.6 上下文Bandit 225
8.2 元學習 228
8.2.1 什么是元學習 228
8.2.2 什么是MAML 230
8.2.3 MAML針對推薦場景的改造 233
8.2.4 Meta-Embedding 236
8.3 對比學習 242
8.3.1 對比學習簡介 242
8.3.2 對比學習在推薦系統中的作用與使用方式 244
8.3.3 辨析對比學習與向量化召回 246
8.3.4 糾偏長尾物料的實踐 247
8.3.5 糾偏小眾用戶的實踐 249
8.4 其他算法 251
8.4.1 遷移學習 251
8.4.2 預測物料消費指標 252
8.4.3 以群體代替個體 253
8.4.4 借鑒多場景推薦 254
8.5 小結 255
第9章 評估與調試 256
9.1 離線評估 256
9.1.1 評估排序算法 257
9.1.2 評估召回算法 261
9.1.3 人工評測 266
9.1.4 持續評估 267
9.2 在線評估：A/B實驗 267
9.2.1 線上：流量劃分 268
9.2.2 線下：統計分析 273
9.3 打開模型的黑盒 276
9.3.1 外部觀察 276
9.3.2 內部剖析 277
9.4 線下漲了，線上沒效果 280
9.4.1 特征穿越 280
9.4.2 老湯模型 282
9.4.3 冰山：系統的內在缺陷 284
9.4.4 鏈路一致性問題 285
9.5 小結 286
第 10章 推薦算法工程師的自我修養 287
10.1 工作 287
10.1.1 重視代碼的規范性 287
10.1.2 重視離線評測 288
10.1.3 重視使用工具 289
10.2 學習 290
10.2.1 堅持問題導向 290
10.2.2 重在舉一反三 291
10.2.3 敢于懷疑 292
10.2.4 落實代碼細節 293
10.3 面試 293
10.3.1 社招 294
10.3.2 校招 296
10.4 小結 297
1.1 推薦系統的意義 2
1.2 推薦系統是如何運行的 3
1.3 推薦系統架構 5
1.3.1 功能架構 5
1.3.2 數據架構 8
1.4 推廣搜的區別與聯系 10
1.4.1 三駕馬車的相同點 10
1.4.2 推薦與搜索 11
1.4.3 推搜與廣告 12
1.5 小結 12
第 2章 推薦系統中的特征工程 14
2.1 批判“特征工程過時”的錯誤論調 15
2.2 特征提取 16
2.2.1 物料畫像 16
2.2.2 用戶畫像 18
2.2.3 交叉特征 21
2.2.4 偏差特征 22
2.3 數值特征的處理 25
2.3.1 處理缺失值 25
2.3.2 標準化 25
2.3.3 數據平滑與消偏 26
2.3.4 分桶離散化 27
2.4 類別特征的處理 28
2.4.1 類別特征更受歡迎 28
2.4.2 類別特征享受VIP服務 29
2.4.3 映射 30
2.4.4 特征哈希 31
2.5 小結 32
第3章 推薦系統中的Embedding 33
3.1 無中生有：推薦算法中的Embedding 33
3.1.1 傳統推薦算法：博聞強識 33
3.1.2 推薦算法的剛需：擴展性 35
3.1.3 深度學習的核心思想：無中生有的Embedding 36
3.1.4 Embedding的實現細節 37
3.2 共享Embedding還是獨占Embedding 42
3.2.1 共享Embedding 42
3.2.2 獨占Embedding 43
3.3 Parameter Server：推薦算法的訓練加速器 46
3.3.1 傳統分布式計算的不足 46
3.3.2 基于PS的分布式訓練范式 47
3.3.3 PS中的并行策略 49
3.3.4 基于ps-lite實現分布式算法 51
3.3.5 更先進的PS 57
3.4 小結 60
第4章 精排 61
4.1 推薦算法的5個維度 61
4.2 交叉結構 62
4.2.1 FTRL：傳統時代的記憶大師 62
4.2.2 FM：半只腳邁入DNN的門檻 69
4.2.3 Wide & Deep：兼顧記憶與擴展 71
4.2.4 DeepFM：融合二階交叉 74
4.2.5 DCN：不再執著于DNN 76
4.2.6 AutoInt：變形金剛做交叉 79
4.3 用戶行為序列建模 86
4.3.1 行為序列信息的構成 86
4.3.2 簡單Pooling 86
4.3.3 用戶建模要“千物千面” 87
4.3.4 建模序列內的依賴關系 89
4.3.5 多多益善：建模長序列 91
4.4 小結 96
第5章 召回 97
5.1 傳統召回算法 97
5.1.1 基于物料屬性的倒排索引 98
5.1.2 基于統計的協同過濾算法 99
5.1.3 矩陣分解算法 99
5.1.4 如何合并多路召回 100
5.2 向量化召回統一建模框架 101
5.2.1 如何定義正樣本 102
5.2.2 重點關注負樣本 103
5.2.3 解耦生成Embedding 105
5.2.4 如何定義優化目標 106
5.3 借助Word2Vec 111
5.3.1 *簡單的Item2Vec 112
5.3.2 Airbnb召回算法 116
5.3.3 阿里巴巴的EGES召回 118
5.4 “瑞士軍刀”FM的召回功能 120
5.4.1 打壓熱門物料 121
5.4.2 增廣Embedding 122
5.5 大廠主力：雙塔模型 124
5.5.1 不同場景下的正樣本 124
5.5.2 簡化負采樣 124
5.5.3 雙塔結構特點 126
5.5.4 Sampled Softmax Loss的技巧 127
5.5.5 雙塔模型實現舉例 129
5.6 鄰里互助：GCN召回 131
5.6.1 GCN基礎 131
5.6.2 PinSage：大規模圖卷積的經典案例 134
5.6.3 異構圖上的GCN 142
5.7 小結 143
第6章 粗排與重排 145
6.1 粗排 146
6.1.1 模型：雙塔仍然是主力 146
6.1.2 目標：拜精排為師 154
6.1.3 數據：糾正曝光偏差 158
6.1.4 模型：輕量級全連接 159
6.2 重排 161
6.2.1 基于啟發式規則 162
6.2.2 基于行列式點過程 165
6.2.3 基于上下文感知的排序學習 174
6.3 小結 180
第7章 多任務與多場景 181
7.1 多任務推薦 181
7.1.1 多任務建模的誤區 182
7.1.2 并發建模 182
7.1.3 串行建模 193
7.1.4 多個損失的融合 202
7.1.5 多個打分的融合 206
7.2 多場景推薦 209
7.2.1 特征位置 210
7.2.2 模型結構 211
7.2.3 模型參數 215
7.3 小結 217
第8章 冷啟動 219
8.1 Bandit算法 219
8.1.1 多臂老虎機問題 220
8.1.2 Epsilon Greedy 221
8.1.3 UCB 222
8.1.4 概率匹配 223
8.1.5 Bayesian Bandit 223
8.1.6 上下文Bandit 225
8.2 元學習 228
8.2.1 什么是元學習 228
8.2.2 什么是MAML 230
8.2.3 MAML針對推薦場景的改造 233
8.2.4 Meta-Embedding 236
8.3 對比學習 242
8.3.1 對比學習簡介 242
8.3.2 對比學習在推薦系統中的作用與使用方式 244
8.3.3 辨析對比學習與向量化召回 246
8.3.4 糾偏長尾物料的實踐 247
8.3.5 糾偏小眾用戶的實踐 249
8.4 其他算法 251
8.4.1 遷移學習 251
8.4.2 預測物料消費指標 252
8.4.3 以群體代替個體 253
8.4.4 借鑒多場景推薦 254
8.5 小結 255
第9章 評估與調試 256
9.1 離線評估 256
9.1.1 評估排序算法 257
9.1.2 評估召回算法 261
9.1.3 人工評測 266
9.1.4 持續評估 267
9.2 在線評估：A/B實驗 267
9.2.1 線上：流量劃分 268
9.2.2 線下：統計分析 273
9.3 打開模型的黑盒 276
9.3.1 外部觀察 276
9.3.2 內部剖析 277
9.4 線下漲了，線上沒效果 280
9.4.1 特征穿越 280
9.4.2 老湯模型 282
9.4.3 冰山：系統的內在缺陷 284
9.4.4 鏈路一致性問題 285
9.5 小結 286
第 10章 推薦算法工程師的自我修養 287
10.1 工作 287
10.1.1 重視代碼的規范性 287
10.1.2 重視離線評測 288
10.1.3 重視使用工具 289
10.2 學習 290
10.2.1 堅持問題導向 290
10.2.2 重在舉一反三 291
10.2.3 敢于懷疑 292
10.2.4 落實代碼細節 293
10.3 面試 293
10.3.1 社招 294
10.3.2 校招 296
10.4 小結 297
展開全部
互聯網大廠推薦算法實戰 作者簡介
趙傳霖，博士，畢業于清華大學電氣工程專業，知乎“機器學習”話題優秀答主，目前在北京快手科技有限公司擔任算法專家，擁有10余年的互聯網算法從業經驗，主要研究方向為推薦系統、計算廣告、個性化搜索。分別以知識平臺的“石塔西”賬號和“石塔西的說書館”自媒體號發表了多篇以推薦算法為主題的原創性文章，深受廣大讀者的好評，并曾經4次獲得知乎創作排行榜“知勢榜?影響力榜”（科技互聯網領域）第1名。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
我與地壇
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
巴金－再思錄
- >
名家帶你讀魯迅:朝花夕拾
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
中國歷史的瞬間
- >
煙與鏡
本類暢銷
