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
精通推薦算法:核心模塊+經典模型+代碼詳解 版權信息
- ISBN：9787121474514
- 條形碼：9787121474514 ; 978-7-121-47451-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
精通推薦算法:核心模塊+經典模型+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、有經典，詳解常用的模型和技術。 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，學習效果事半功倍。 加入本書讀者群，交流技術、offer選擇及職業規劃問題。
精通推薦算法:核心模塊+經典模型+代碼詳解 內容簡介
本書系統介紹了推薦算法的知識框架和技術細節，包括召回、粗排、精排和重排等模塊。第1章從用戶體驗、內容生產和平臺發展角度介紹為什么需要推薦系統，并闡述推薦系統的分類及整體技術架構。第2章介紹推薦算法模型的基礎――數據樣本和特征工程。第3章介紹傳統推薦算法。第4~7章介紹推薦系統中*復雜的部分――精排模塊，包括特征交叉、用戶行為序列建模、Embedding表征學習和多任務學習。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細節。本書適用于推薦算法初學者、有一定工作經驗的推薦算法工程師，以及搜索、廣告和營銷等領域的從業者，也可作為高等院校計算機等相關專業師生的參考資料。
精通推薦算法:核心模塊+經典模型+代碼詳解 目錄
第1章 推薦系統概述 1
1.1 為什么需要推薦系統 1
1.1.1 推薦系統與用戶體驗 2
1.1.2 推薦系統與內容生產 3
1.1.3 推薦系統與平臺發展 4
1.2 推薦系統分類 5
1.2.1 業務領域分類 5
1.2.2 內容介質分類 5
1.2.3 交互形態分類 6
1.2.4 應用場景分類 6
1.3 推薦系統技術架構 7
1.4 本章小結 9
第2章 數據樣本和特征工程 10
2.1 數據樣本 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 23
第3章 傳統推薦算法 25
3.1 協同過濾 25
3.1.1 基于用戶的協同過濾 26
3.1.2 基于物品的協同過濾 27
3.1.3 協同過濾的優點和局限性 28
3.2 矩陣分解 29
3.2.1 矩陣分解實現方法 30
3.2.2 矩陣分解的優點和局限性 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 因子分解機的優點和局限性 36
3.5 組合模型 37
3.5.1 GBDT LR組合模型結構 38
3.5.2 GBDT特征轉換過程 39
3.5.3 組合模型的思考和總結 40
3.6 本章小結 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：經典DNN框架模型 46
4.2.1 業務背景和特征體系 46
4.2.2 模型結構 48
4.2.3 實現方法 52
4.3 FNN 54
4.3.1 為什么Embedding收斂慢 55
4.3.2 模型結構 55
4.4 PNN 58
4.4.1 模型結構 58
4.4.2 特征交叉實現方法 59
4.5 Wide＆Deep：異構模型奠基者 61
4.5.1 “記憶”和“泛化” 61
4.5.2 模型結構 62
4.5.3 系統實現 64
4.5.4 代碼解析 66
4.6 DeepFM：異構模型Wide側引入FM 68
4.6.1 模型結構 68
4.6.2 代碼解析 70
4.7 DCN：異構模型Wide側引入高階交叉 74
4.8 NFM：異構模型Deep側引入顯式交叉 77
4.9 xDeepFM：異構模型引入子分支 79
4.10 本章小結 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 模型結構 92
5.2.3 模型訓練方法 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 模型結構：興趣抽取層 100
5.3.2 模型結構：興趣進化層 103
5.4 BST：Transformer建模用戶行為序列 105
5.4.1 模型結構 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：基于神經圖靈機建模長周期行為序列 117
5.6.1 工程設計：UIC模塊 118
5.6.2 MIMN模型結構 119
5.7 SIM：基于檢索建模長周期行為序列 123
5.8 ETA：基于SimHash實現檢索索引在線化 126
5.8.1 ETA模型結構 127
5.8.2 SimHash原理 128
5.9 本章小結 129
第6章 Embedding表征學習 131
6.1 Embedding表征學習概述 132
6.1.1 Embedding概述 133
6.1.2 Embedding表征學習的意義 134
6.1.3 Embedding表征學習的基本范式 134
6.1.4 Embedding表征學習的主要難點 135
6.2 基于序列的Embedding建模方法 135
6.2.1 Word2vec任務定義：CBOW和Skip-gram 136
6.2.2 Word2vec模型結構 137
6.2.3 Word2vec訓練方法 138
6.2.4 Item2vec：推薦系統引入序列Embedding 139
6.2.5 序列建模總結和思考 139
6.3 基于同構圖游走的Graph Embedding 139
6.3.1 DeepWalk：同構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：同質性和結構等價性探索 142
6.3.4 同構圖游走的優缺點 144
6.4 基于異構圖游走的Graph Embedding 145
6.4.1 Metapath2vec 145
6.4.2 EGES 146
6.4.3 異構圖游走的優缺點 149
6.5 圖神經網絡 149
6.5.1 GCN：圖神經網絡開山之作 149
6.5.2 GraphSAGE：圖神經網絡工業應用的高潮 152
6.5.3 圖神經網絡總結 153
6.6 向量檢索技術 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 162
第7章 多任務學習 165
7.1 多任務學習發展歷程 166
7.1.1 為什么需要多任務學習 166
7.1.2 多任務學習的基本框架 167
7.1.3 多任務學習的難點和挑戰 168
7.2 ESMM模型：解決SSB和DS問題的利器 169
7.2.1 樣本選擇偏差和數據稀疏問題 169
7.2.2 ESMM模型結構 170
7.2.3 ESMM核心代碼 172
7.3 MMOE模型：多專家多門控網絡 174
7.3.1 MMOE模型結構 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象的利器 179
7.4.1 負遷移和蹺蹺板現象 180
7.4.2 單層CGC模型結構 180
7.4.3 PLE模型結構 183
7.4.4 PLE核心代碼 184
7.5 多任務融合 188
7.5.1 網格搜索 189
7.5.2 排序模型 190
7.5.3 強化學習 190
7.6 本章小結 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 基于內容的個性化召回 200
8.2.2 基于協同過濾的個性化召回 201
8.2.3 基于社交關系的個性化召回 203
8.3 向量召回 203
8.3.1 實現方法 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的模型結構 210
8.4.3 膠囊網絡 212
8.5 樣本選擇偏差問題 213
8.5.1 召回樣本構建方法 213
8.5.2 ESAM和遷移學習 215
8.6 召回檢索優化和TDM 218
8.6.1 TDM在線檢索過程 218
8.6.2 TDM索引構建和模型訓練過程 220
8.6.3 JTM 221
8.6.4 OTM 222
8.7 本章小結 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：知識蒸餾學習交叉特征 231
9.2.1 PFD模型結構 231
9.2.2 PFD模型原理 232
9.2.3 PFD與傳統蒸餾相結合 233
9.2.4 PFD在精排中的應用 234
9.3 COLD模型：顯式特征交叉 235
9.3.1 雙塔內積模型 235
9.3.2 COLD模型 237
9.4 FSCD模型：效果和效率聯合優化 238
9.4.1 FSCD特征選擇原理 239
9.4.2 FSCD訓練步驟 241
9.5 本章小結 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 245
10.1.3 流量調控 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模型結構 250
10.3.3 其他上下文感知實現方案 253
10.4 實時性和延遲反饋問題 254
10.4.1 推薦系統實時性的意義 254
10.4.2 推薦系統實時性分類 255
10.4.3 延遲反饋問題 256
10.4.4 延遲反饋優化方案 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系統架構 259
10.5.4 EdgeRec模型結構 260
10.6 本章小結 262
1.1 為什么需要推薦系統 1
1.1.1 推薦系統與用戶體驗 2
1.1.2 推薦系統與內容生產 3
1.1.3 推薦系統與平臺發展 4
1.2 推薦系統分類 5
1.2.1 業務領域分類 5
1.2.2 內容介質分類 5
1.2.3 交互形態分類 6
1.2.4 應用場景分類 6
1.3 推薦系統技術架構 7
1.4 本章小結 9
第2章 數據樣本和特征工程 10
2.1 數據樣本 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 23
第3章 傳統推薦算法 25
3.1 協同過濾 25
3.1.1 基于用戶的協同過濾 26
3.1.2 基于物品的協同過濾 27
3.1.3 協同過濾的優點和局限性 28
3.2 矩陣分解 29
3.2.1 矩陣分解實現方法 30
3.2.2 矩陣分解的優點和局限性 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 因子分解機的優點和局限性 36
3.5 組合模型 37
3.5.1 GBDT LR組合模型結構 38
3.5.2 GBDT特征轉換過程 39
3.5.3 組合模型的思考和總結 40
3.6 本章小結 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：經典DNN框架模型 46
4.2.1 業務背景和特征體系 46
4.2.2 模型結構 48
4.2.3 實現方法 52
4.3 FNN 54
4.3.1 為什么Embedding收斂慢 55
4.3.2 模型結構 55
4.4 PNN 58
4.4.1 模型結構 58
4.4.2 特征交叉實現方法 59
4.5 Wide＆Deep：異構模型奠基者 61
4.5.1 “記憶”和“泛化” 61
4.5.2 模型結構 62
4.5.3 系統實現 64
4.5.4 代碼解析 66
4.6 DeepFM：異構模型Wide側引入FM 68
4.6.1 模型結構 68
4.6.2 代碼解析 70
4.7 DCN：異構模型Wide側引入高階交叉 74
4.8 NFM：異構模型Deep側引入顯式交叉 77
4.9 xDeepFM：異構模型引入子分支 79
4.10 本章小結 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 模型結構 92
5.2.3 模型訓練方法 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 模型結構：興趣抽取層 100
5.3.2 模型結構：興趣進化層 103
5.4 BST：Transformer建模用戶行為序列 105
5.4.1 模型結構 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：基于神經圖靈機建模長周期行為序列 117
5.6.1 工程設計：UIC模塊 118
5.6.2 MIMN模型結構 119
5.7 SIM：基于檢索建模長周期行為序列 123
5.8 ETA：基于SimHash實現檢索索引在線化 126
5.8.1 ETA模型結構 127
5.8.2 SimHash原理 128
5.9 本章小結 129
第6章 Embedding表征學習 131
6.1 Embedding表征學習概述 132
6.1.1 Embedding概述 133
6.1.2 Embedding表征學習的意義 134
6.1.3 Embedding表征學習的基本范式 134
6.1.4 Embedding表征學習的主要難點 135
6.2 基于序列的Embedding建模方法 135
6.2.1 Word2vec任務定義：CBOW和Skip-gram 136
6.2.2 Word2vec模型結構 137
6.2.3 Word2vec訓練方法 138
6.2.4 Item2vec：推薦系統引入序列Embedding 139
6.2.5 序列建模總結和思考 139
6.3 基于同構圖游走的Graph Embedding 139
6.3.1 DeepWalk：同構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：同質性和結構等價性探索 142
6.3.4 同構圖游走的優缺點 144
6.4 基于異構圖游走的Graph Embedding 145
6.4.1 Metapath2vec 145
6.4.2 EGES 146
6.4.3 異構圖游走的優缺點 149
6.5 圖神經網絡 149
6.5.1 GCN：圖神經網絡開山之作 149
6.5.2 GraphSAGE：圖神經網絡工業應用的高潮 152
6.5.3 圖神經網絡總結 153
6.6 向量檢索技術 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 162
第7章 多任務學習 165
7.1 多任務學習發展歷程 166
7.1.1 為什么需要多任務學習 166
7.1.2 多任務學習的基本框架 167
7.1.3 多任務學習的難點和挑戰 168
7.2 ESMM模型：解決SSB和DS問題的利器 169
7.2.1 樣本選擇偏差和數據稀疏問題 169
7.2.2 ESMM模型結構 170
7.2.3 ESMM核心代碼 172
7.3 MMOE模型：多專家多門控網絡 174
7.3.1 MMOE模型結構 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象的利器 179
7.4.1 負遷移和蹺蹺板現象 180
7.4.2 單層CGC模型結構 180
7.4.3 PLE模型結構 183
7.4.4 PLE核心代碼 184
7.5 多任務融合 188
7.5.1 網格搜索 189
7.5.2 排序模型 190
7.5.3 強化學習 190
7.6 本章小結 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 基于內容的個性化召回 200
8.2.2 基于協同過濾的個性化召回 201
8.2.3 基于社交關系的個性化召回 203
8.3 向量召回 203
8.3.1 實現方法 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的模型結構 210
8.4.3 膠囊網絡 212
8.5 樣本選擇偏差問題 213
8.5.1 召回樣本構建方法 213
8.5.2 ESAM和遷移學習 215
8.6 召回檢索優化和TDM 218
8.6.1 TDM在線檢索過程 218
8.6.2 TDM索引構建和模型訓練過程 220
8.6.3 JTM 221
8.6.4 OTM 222
8.7 本章小結 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：知識蒸餾學習交叉特征 231
9.2.1 PFD模型結構 231
9.2.2 PFD模型原理 232
9.2.3 PFD與傳統蒸餾相結合 233
9.2.4 PFD在精排中的應用 234
9.3 COLD模型：顯式特征交叉 235
9.3.1 雙塔內積模型 235
9.3.2 COLD模型 237
9.4 FSCD模型：效果和效率聯合優化 238
9.4.1 FSCD特征選擇原理 239
9.4.2 FSCD訓練步驟 241
9.5 本章小結 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 245
10.1.3 流量調控 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模型結構 250
10.3.3 其他上下文感知實現方案 253
10.4 實時性和延遲反饋問題 254
10.4.1 推薦系統實時性的意義 254
10.4.2 推薦系統實時性分類 255
10.4.3 延遲反饋問題 256
10.4.4 延遲反饋優化方案 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系統架構 259
10.5.4 EdgeRec模型結構 260
10.6 本章小結 262
展開全部
精通推薦算法:核心模塊+經典模型+代碼詳解 相關資料
搜索、推薦和廣告一直以來都是工業界的核心業務。進入深度學習時代后，推薦算法技術的發展和更迭很快。本書深入講解了深度學習時代下推薦算法技術的各方面內容。相信能給從業者帶來較大幫助。 ——螞蟻集團前資深技術專家 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驗。如何優化搜索、推薦和廣告業務效果？書中給出了詳細的答案。本書非常適合搜索、推薦和廣告算法領域的初學者和進階者閱讀和學習。 ——華為消費者事業群前高級技術專家 王康 推薦算法的知識體系十分復雜，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典模型誕生的原因和具體實現方案，使讀者領悟推薦算法的核心要義。 ——騰訊平臺與內容事業群前副總監 趙爭超 推薦算法是互聯網行業中業務增長的重要引擎，其地位十分重要。本書是一本介紹推薦算法的佳作，理論與實踐相結合，深入淺出，非常適合互聯網從業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習時代的推薦算法領域知識框架，包含近年來發布的模型及其代碼實現，內容十分新穎，能夠讓讀者快速掌握推薦算法的各項技術，并在實際工作中學以致用，非常值得一讀。 ——螞蟻集團網商銀行高級技術專家 管維剛 推薦算法是目前互聯網領域中商業價值很高的技術方向。本書包含豐富的思維導圖，全面介紹了推薦算法的技術框架，圖文并茂，代碼詳盡，有利于讀者加深對技術細節的理解，希望大家閱讀后有所進益！ ——螞蟻集團智能服務業務高級算法專家 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細節。知識結構完整，脈絡十分清晰，能夠幫助讀者舉一反三。書中介紹了很多經典模型，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方面的書很多，但詳細講解推薦算法知識體系和經典模型的書卻很稀缺。自從進入深度學習時代后，推薦算法的發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。 ——騰訊優圖實驗室前應用算法研究員 丁中干 推薦系統與個性化搜索、計算廣告一脈相承，它們在算法上的優化手段具有很強的復用性。本書不僅適合推薦算法的初學者和進階者，還適合搜索和廣告方向的工程師。 ——螞蟻集團網商銀行技術專家 周宇
精通推薦算法:核心模塊+經典模型+代碼詳解 作者簡介
謝楊易，本科畢業于華中科技大學，碩士畢業于中國科學院大學。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、騰訊應用算法研究員等職位，在搜索和推薦算法領域積累了豐富的經驗。CSDN博客專家，原創文章100余篇。發表專利15個，已授權6個。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
史學評論
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
唐代進士錄
- >
回憶愛瑪儂
- >
中國歷史的瞬間
- >
巴金－再思錄
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
