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
信息流推薦算法 版權信息
- ISBN：9787111754428
- 條形碼：9787111754428 ; 978-7-111-75442-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
信息流推薦算法 本書特色
深耕一線互聯網平臺多年的兩位作者精心總結：
全鏈路、全方位，深入剖析推薦算法細節
講理論、重實踐，聚焦關鍵業務問題解法
信息流推薦算法 內容簡介
本書從信息流個性化推薦算法從業者的角度，闡述在資訊內容類App中，如何搭建健壯、完善的個性化推薦算法體系，如何融合產品運營的專家模型和端到端的深度學習，如何平衡短期的商業化目標和長期的用戶體驗，以及我們在多個行業頭部平臺實踐的過程中遇到的典型業務問題和解決方案，對比理論推導為主的機器學習書籍，本身更偏向基于行業問題的深度思考及落地實踐。
信息流推薦算法 目錄
目 錄
推薦序
前言
第1章 信息流產品與推薦算法1
1.1 什么是信息流產品1
1.2 信息流產品對用戶體驗和商業價值的重塑3
1.2.1 信息流產品下的用戶體驗3
1.2.2 商業價值的重塑6
1.2.3 用戶體驗及商業價值總結8
1.3 信息流產品推薦系統的構成8
1.3.1 推薦算法基線9
1.3.2 推薦算法的生態建設14
1.4 本章小結16
參考文獻16
第2章 業務數據探索：推薦算法閉環的起點與終點18
2.1 產品運營分析19
2.1.1 系統性分析19
2.1.2 周期性分析23
2.2 用戶畫像分析24
2.2.1 用戶畫像構建的基本方法25
2.2.2 用戶畫像之價值分層與生命周期管理26
2.2.3 用戶畫像的質量保障30
2.3 用戶行為路徑分析32
2.4 本章小結34
參考文獻35
第3章 可插拔式的召回算法36
3.1 召回側的業務目標和技術方向36
3.2 協同過濾召回38
3.2.1 User-based CF38
3.2.2 Item-based CF40
3.2.3 Item-based CF與User-based CF的對比與改進41
3.2.4 Model-based CF43
3.3 用戶和物品的向量化表示學習48
3.3.1 從Word2vec到Item2vec48
3.3.2 YouTube DNN54
3.3.3 DSSM57
3.4 基于圖模型的召回建模63
3.4.1 SimRank63
3.4.2 DeepWalk66
3.4.3 LINE68
3.4.4 Node2vec70
3.4.5 EGES73
3.5 用戶行為序列召回建模75
3.5.1 序列建模的通用算法模塊75
3.5.2 用戶多興趣建模84
3.5.3 序列建模總結91
3.6 本章小結93
參考文獻94
第4章 粗排算法97
4.1 粗排的定位和重要性思考97
4.2 前深度學習時代的粗排98
4.2.1 非個性化離線評估模型98
4.2.2 淺層個性化模型104
4.3 深度粗排模型的重要方法106
4.3.1 基于向量內積的雙塔模型106
4.3.2 基于精排模型的知識蒸餾111
4.3.3 COLD粗排架構117
4.4 粗排建模的重要問題120
4.4.1 樣本選擇策略120
4.4.2 粗精排一致性校驗123
4.5 本章小結125
參考文獻125
第5章 精排算法127
5.1 精排算法的核心目標和概要127
5.2 前深度學習時代的精排算法128
5.2.1 LR128
5.2.2 FM131
5.2.3 GBDT136
5.3 深度精排算法137
5.3.1 Wide & Deep138
5.3.2 DeepFM139
5.3.3 DIN140
5.3.4 DIEN144
5.3.5 DSIN146
5.3.6 SIM149
5.4 在線學習152
5.4.1 在線學習的基本概念152
5.4.2 在線學習算法框架：FTRL153
5.5 多任務學習156
5.5.1 MMoE157
5.5.2 ESMM158
5.5.3 PLE159
5.5.4 MFH162
5.5.5 MVKE164
5.6 本章小結170
參考文獻170
第6章 多目標融合算法173
6.1 多目標融合的意義173
6.2 啟發式多目標融合173
6.2.1 Grid Search174
6.2.2 Random Search175
6.2.3 搜參實踐175
6.3 貝葉斯優化176
6.3.1 概率代理模型177
6.3.2 采集函數178
6.3.3 貝葉斯搜參實踐179
6.4 進化策略179
6.4.1 進化算法的相關概念179
6.4.2 基于OpenAI ES的進化策略實踐185
6.5 強化學習186
6.5.1 強化學習的核心概念187
6.5.2 強化學習的多目標融合實踐189
6.6 本章小結194
參考文獻194
第7章 重排算法196
7.1 重排算法概要及核心目標196
7.2 多樣性算法之啟發式方法196
7.2.1 MMR197
7.2.2 MLR197
7.2.3 DPP198
7.3 多樣性算法之list-wise建模200
7.3.1 DLCM200
7.3.2 PRM205
7.3.3 Seq2Slate208
7.3.4 GRN212
7.3.5 PRS217
7.4 端云一體協同推薦221
7.4.1 EdgeRec221
7.4.2 DCCL227
7.5 本章小結232
參考文獻232
第8章 推薦建模中的數據預處理和模型后處理234
8.1 評分矩陣構建234
8.2 特征工程239
8.2.1 特征的提取與加工239
8.2.2 特征重要性分析244
8.3 模型校準248
8.4 本章小結250
參考文獻250
第9章 信息流推薦中的經典業務問題應對252
9.1 關于信息繭房252
9.2 關于保量策略255
9.3 內容與用戶冷啟動256
9.3.1 DropoutNet256
9.3.2 MWUF258
9.3.3 LinUCB261
9.3.4 Cold & Warm Net263
9.4 偏置與消偏266
9.4.1 偏置分析267
9.4.2 消偏：用戶選擇偏置269
9.4.3 消偏：曝光偏置269
9.4.4 消偏：群體一致性偏置270
9.4.5 消偏：位置偏置270
9.4.6 消偏：流行度偏置273
9.5 正向行為定義279
9.6 本章小結280
參考文獻281
第10章 信息流推薦算法的評估與改進283
10.1 宏觀視角下的推薦效果評估283
10.2 微觀視角下的推薦效果評估287
10.2.1 推薦效果評估流程287
10.2.2 離線評估指標體系289
10.3 A/B測試的實驗機制設計296
10.3.1 A/B測試的基本概念及必要性296
10.3.2 A/B測試的實驗設計和效果分析298
10.3.3 A/B測試與Interleaving305
10.4 本章小結307
參考文獻307
第11章 總結與展望308
11.1 推薦算法的重要挑戰308
11.2 論推薦算法工程師的自我修養312
11.3 本章小結317
參考文獻317
后記318
推薦序
前言
第1章 信息流產品與推薦算法1
1.1 什么是信息流產品1
1.2 信息流產品對用戶體驗和商業價值的重塑3
1.2.1 信息流產品下的用戶體驗3
1.2.2 商業價值的重塑6
1.2.3 用戶體驗及商業價值總結8
1.3 信息流產品推薦系統的構成8
1.3.1 推薦算法基線9
1.3.2 推薦算法的生態建設14
1.4 本章小結16
參考文獻16
第2章 業務數據探索：推薦算法閉環的起點與終點18
2.1 產品運營分析19
2.1.1 系統性分析19
2.1.2 周期性分析23
2.2 用戶畫像分析24
2.2.1 用戶畫像構建的基本方法25
2.2.2 用戶畫像之價值分層與生命周期管理26
2.2.3 用戶畫像的質量保障30
2.3 用戶行為路徑分析32
2.4 本章小結34
參考文獻35
第3章 可插拔式的召回算法36
3.1 召回側的業務目標和技術方向36
3.2 協同過濾召回38
3.2.1 User-based CF38
3.2.2 Item-based CF40
3.2.3 Item-based CF與User-based CF的對比與改進41
3.2.4 Model-based CF43
3.3 用戶和物品的向量化表示學習48
3.3.1 從Word2vec到Item2vec48
3.3.2 YouTube DNN54
3.3.3 DSSM57
3.4 基于圖模型的召回建模63
3.4.1 SimRank63
3.4.2 DeepWalk66
3.4.3 LINE68
3.4.4 Node2vec70
3.4.5 EGES73
3.5 用戶行為序列召回建模75
3.5.1 序列建模的通用算法模塊75
3.5.2 用戶多興趣建模84
3.5.3 序列建模總結91
3.6 本章小結93
參考文獻94
第4章 粗排算法97
4.1 粗排的定位和重要性思考97
4.2 前深度學習時代的粗排98
4.2.1 非個性化離線評估模型98
4.2.2 淺層個性化模型104
4.3 深度粗排模型的重要方法106
4.3.1 基于向量內積的雙塔模型106
4.3.2 基于精排模型的知識蒸餾111
4.3.3 COLD粗排架構117
4.4 粗排建模的重要問題120
4.4.1 樣本選擇策略120
4.4.2 粗精排一致性校驗123
4.5 本章小結125
參考文獻125
第5章 精排算法127
5.1 精排算法的核心目標和概要127
5.2 前深度學習時代的精排算法128
5.2.1 LR128
5.2.2 FM131
5.2.3 GBDT136
5.3 深度精排算法137
5.3.1 Wide & Deep138
5.3.2 DeepFM139
5.3.3 DIN140
5.3.4 DIEN144
5.3.5 DSIN146
5.3.6 SIM149
5.4 在線學習152
5.4.1 在線學習的基本概念152
5.4.2 在線學習算法框架：FTRL153
5.5 多任務學習156
5.5.1 MMoE157
5.5.2 ESMM158
5.5.3 PLE159
5.5.4 MFH162
5.5.5 MVKE164
5.6 本章小結170
參考文獻170
第6章 多目標融合算法173
6.1 多目標融合的意義173
6.2 啟發式多目標融合173
6.2.1 Grid Search174
6.2.2 Random Search175
6.2.3 搜參實踐175
6.3 貝葉斯優化176
6.3.1 概率代理模型177
6.3.2 采集函數178
6.3.3 貝葉斯搜參實踐179
6.4 進化策略179
6.4.1 進化算法的相關概念179
6.4.2 基于OpenAI ES的進化策略實踐185
6.5 強化學習186
6.5.1 強化學習的核心概念187
6.5.2 強化學習的多目標融合實踐189
6.6 本章小結194
參考文獻194
第7章 重排算法196
7.1 重排算法概要及核心目標196
7.2 多樣性算法之啟發式方法196
7.2.1 MMR197
7.2.2 MLR197
7.2.3 DPP198
7.3 多樣性算法之list-wise建模200
7.3.1 DLCM200
7.3.2 PRM205
7.3.3 Seq2Slate208
7.3.4 GRN212
7.3.5 PRS217
7.4 端云一體協同推薦221
7.4.1 EdgeRec221
7.4.2 DCCL227
7.5 本章小結232
參考文獻232
第8章 推薦建模中的數據預處理和模型后處理234
8.1 評分矩陣構建234
8.2 特征工程239
8.2.1 特征的提取與加工239
8.2.2 特征重要性分析244
8.3 模型校準248
8.4 本章小結250
參考文獻250
第9章 信息流推薦中的經典業務問題應對252
9.1 關于信息繭房252
9.2 關于保量策略255
9.3 內容與用戶冷啟動256
9.3.1 DropoutNet256
9.3.2 MWUF258
9.3.3 LinUCB261
9.3.4 Cold & Warm Net263
9.4 偏置與消偏266
9.4.1 偏置分析267
9.4.2 消偏：用戶選擇偏置269
9.4.3 消偏：曝光偏置269
9.4.4 消偏：群體一致性偏置270
9.4.5 消偏：位置偏置270
9.4.6 消偏：流行度偏置273
9.5 正向行為定義279
9.6 本章小結280
參考文獻281
第10章 信息流推薦算法的評估與改進283
10.1 宏觀視角下的推薦效果評估283
10.2 微觀視角下的推薦效果評估287
10.2.1 推薦效果評估流程287
10.2.2 離線評估指標體系289
10.3 A/B測試的實驗機制設計296
10.3.1 A/B測試的基本概念及必要性296
10.3.2 A/B測試的實驗設計和效果分析298
10.3.3 A/B測試與Interleaving305
10.4 本章小結307
參考文獻307
第11章 總結與展望308
11.1 推薦算法的重要挑戰308
11.2 論推薦算法工程師的自我修養312
11.3 本章小結317
參考文獻317
后記318
展開全部
信息流推薦算法 相關資料
近10多年以來，推薦算法在互聯網業界中扮演著越來越重要的角色，從電商、信息資訊到短視頻App，個性化推薦為用戶提供了流暢的瀏覽體驗，同時也促進了平臺生態的健康發展。本書以信息流產品為切入點，深入淺出地介紹了推薦算法基線、理論基礎和業務實踐，是作者十數年從事推薦算法工作的寶貴沉淀和總結。無論是想要深入理解和應用推薦算法的學生，還是一線推薦算法工程師，本書對他們來說都是一本非常實用的書籍。我強烈推薦本書給那些對推薦算法感興趣的讀者，相信它能為讀者在推薦建模實踐中提供有效幫助。 —— 李傳福 前阿里巴巴資深總監、阿里數據大學校長 在這個信息爆炸的時代，信息流產品已經成為我們日常生活中不可或缺的一部分，它讓我們能夠在海量信息中迅速找到感興趣的內容。而在這背后，推薦算法發揮著至關重要的作用。本書匯聚了兩位在阿里和騰訊深耕多年的資深推薦專家的經驗，詳盡地梳理了推薦算法的發展脈絡與各個階段的算法體系。更值得一提的是，本書緊密結合業務實踐，展示了如何針對數據預處理、信息繭房、冷啟動、消偏以及內容分發價值評估等問題提供系統性的解決方案。相信無論是信息流算法工程師還是產品經理，都能從這本實用性強的書中獲得啟示和指導。 —— 李奘 騰訊PCG大數據平臺部和AI委員會負責人 本書系統介紹了業界主流信息流推薦系統的主要模塊和經典算法，同時對系統在大規模用戶產品落地過程中遇到的典型問題進行了探討。本書內容全面，非常適合希望深入了解推薦系統的從業者，也適合與推薦算法團隊有深入協作的產品經理、數據分析師和后臺工程師等上下游團隊人士閱讀學習。 —— 阮超 騰訊高級總監，騰訊微視&QQ短視頻負責人，前Airbnb中國技術負責人 本書以清晰而生動的方式，緊貼信息流產品的內容分發業務場景，介紹了個性化推薦的全鏈路算法，包括前序的數據洞察、線索挖掘，到召回、粗排、精排、重排設計，再到冷啟動、消偏、保量策略等平臺生態建設問題，內容翔實，對一線算法工程師極具參考價值。 —— 魏虎 阿里巴巴技術總監、阿里個性化推薦平臺（TPP）發起人 從電商平臺的商品推薦，到新聞的個性化推送，再到短視頻的內容分發，推薦算法已經成為現代信息流產品的核心技術之一。本書理論與實踐相結合，詳細介紹了推薦系統的關鍵技術和實現方法，不僅涵蓋了推薦算法的基本原理，還深入探討了諸如冷啟動、消偏、評估等復雜問題。對于希望系統學習推薦算法的學生和技術人員，本書無疑是一本寶貴的指南。 —— 吳書 中國科學院自動化研究所副研究員 本書圍繞推薦算法在信息流產品中的工業化實踐，深入淺出地展開討論，本書的章節內容敘述融入了作者在淘寶、騰訊及多家獨角獸級公司中的多年實踐經驗，對推薦建模中的經典業務問題抽絲剝繭，并給出了翔實的算法設計，推薦相關從業者閱讀參考。 —— 張偉 Shopee電商數據智能部負責人、前阿里巴巴資深算法專家 都說自然語言是人工智能皇冠上的明珠，但推薦算法絕對是上一輪人工智能浪潮中名利雙收的大明星。為什么這么說？一方面，應用的潛力引領業界和學界競相爭奇斗艷，推動了算法和工程上的一系列創新；另一方面，這些創新又驅動了移動互聯網信息分發革命，創造了巨大的商業收益。本書作者親歷了推薦算法在技術和產品應用上的迭代，并將其匯集成這本新作，希望啟迪那些想繼續在這個領域耕耘與精進的伙伴們。 —— 王大川 數據智能開發者社區DataFun創辦人
信息流推薦算法 作者簡介
趙爭超，騰訊視頻推薦中心副總監，負責騰訊視頻海外版的個性化推薦，研究方向為推薦算法的研究與應用、精準營銷在零售業的落地實踐。前阿里巴巴高級算法專家 ，負責淘寶購物路徑的推薦算法和新零售域的大數據應用。 黃帆 博士 畢業于北京郵電大學，現為騰訊公司專家研究員，曾就職于華為和阿里巴巴，長期從事推薦算法研究與應用工作，熟悉推薦算法與系統。負責過多個大型互聯網產品大規模工業級推薦系統的核心研發工作，在算法領域積累了豐富的經驗。先后于SIGKDD、SIGIR等知名會議和IET Communications等知名期刊發表學術論文20余篇，申請發明專利40余項（其中20余項已授權）。
書友推薦
- >
唐代進士錄
- >
煙與鏡
- >
龍榆生：詞曲概論/大家小書
- >
史學評論
- >
月亮與六便士
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
巴金－再思錄
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
