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
大模型推薦系統:算法原理、代碼實戰與案例分析 版權信息
- ISBN：9787121488474
- 條形碼：9787121488474 ; 978-7-121-48847-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
大模型推薦系統:算法原理、代碼實戰與案例分析 本書特色
詳解大模型在推薦系統中應用的4 種范式。 4種范式的算法原理、應用案例與代碼實現。 利用大模型解決電商推薦場景中的7類問題。 提供將大模型推薦系統更好應用于工業界的思路和方法。 讀者群中獲取本書參考資料，GitHub中下載全書代碼。
大模型推薦系統:算法原理、代碼實戰與案例分析 內容簡介
大模型技術掀起了新一輪人工智能浪潮，以ChatGPT 為核心的大模型相關技術可以應用于搜索、對話、內容創作等眾多領域，在推薦系統領域的應用也不例外。本書主要分為3部分。第1部分簡單介紹大模型相關技術，包括大模型的預訓練、微調、在線學習、推理、部署等。第2部分將大模型在傳統推薦系統中的應用抽象為4種范式――生成范式、預訓練范式、微調范式、直接推薦范式，并對每種范式給出算法原理說明、案例講解和代碼實現。第3部分以電商場景為例，講解大模型在電商中的7種應用，包括生成用戶興趣畫像、生成個性化商品描述信息、猜你喜歡推薦、關聯推薦、冷啟動問題、推薦解釋和對話式推薦，每種應用場景都包含完整的步驟說明和詳細的代碼實現，手把手教你構建大模型推薦系統。
大模型推薦系統:算法原理、代碼實戰與案例分析 目錄
01 基礎知識 1
1.1 大模型相關資源 1
1.1.1 可用的模型及API 1
1.1.2 數據資源 3
1.1.3 軟件資源 5
1.1.4 硬件資源 5
1.2 大模型預訓練 5
1.2.1 數據收集與預處理 5
1.2.2 確定模型架構 7
1.2.3 確定目標函數及預訓練 9
1.2.4 解碼策略 10
1.3 大模型微調 13
1.3.1 微調原理 13
1.3.2 指令微調 14
1.3.3 對齊微調 17
1.4 大模型在線學習 21
1.4.1 提示詞 21
1.4.2 上下文學習 23
1.4.3 思維鏈提示詞 24
1.4.4 規劃 26
1.5 大模型推理 27
1.5.1 高效推理技術 28
1.5.2 高效推理軟件工具 29
1.6 總結 30
02 數據準備與開發環境準備 31
2.1 MIND數據集介紹 31
2.2 Amazon電商數據集介紹 34
2.3 開發環境準備 36
2.3.1 搭建CUDA開發環境 37
2.3.2 搭建MacBook 開發環境 40
2.4 總結 42
03 大模型推薦系統的數據來源、一般思路和4種范式 43
3.1 大模型推薦系統的數據來源 43
3.1.1 大模型相關的數據 44
3.1.2 新聞推薦系統相關的數據 44
3.1.3 將推薦數據編碼為大模型可用數據 45
3.2 將大模型用于推薦的一般思路 46
3.3 將大模型應用于推薦的4種范式 46
3.3.1 基于大模型的生成范式 47
3.3.2 基于PLM的預訓練范式 47
3.3.3 基于大模型的微調范式 48
3.3.4 基于大模型的直接推薦范式 49
3.4 總結 50
04 生成范式：大模型生成特征、訓練數據與物品 51
4.1 大模型生成嵌入特征 51
4.1.1 嵌入的價值 51
4.1.2 嵌入方法介紹 52
4.2 大模型生成文本特征 57
4.2.1 生成文本特征 57
4.2.2 生成文本特征的其他方法 63
4.3 大模型生成訓練數據 66
4.3.1 大模型直接生成表格類數據 66
4.3.2 大模型生成監督樣本數據 67
4.4 大模型生成待推薦物品 69
4.4.1 為用戶生成個性化新聞 69
4.4.2 生成個性化的視頻 74
4.5 總結 77
05 預訓練范式：通過大模型預訓練進行推薦 78
5.1 預訓練的一般思路和方法 78
5.1.1 預訓練數據準備 78
5.1.2 大模型架構選擇 79
5.1.3 大模型預訓練 81
5.1.4 大模型推理（用于推薦） 82
5.2 案例講解 84
5.2.1 基于PTUM架構的預訓練推薦系統 84
5.2.2 基于P5的預訓練推薦系統 86
5.3 基于MIND數據集的代碼實戰 91
5.3.1 預訓練數據集準備 91
5.3.2 模型預訓練 98
5.3.3 模型推理與驗證 102
5.4 總結 104
06 微調范式：微調大模型進行個性化推薦 106
6.1 微調的方法 106
6.1.1 微調的價值 106
6.1.2 微調的步驟 107
6.1.3 微調的方法 111
6.1.4 微調的困難與挑戰 113
6.2 案例講解 114
6.2.1 TALLRec微調框架 114
6.2.2 GIRL：基于人類反饋的微調框架 117
6.3 基于MIND數據集實現微調 120
6.3.1 微調數據準備 120
6.3.2 模型微調 122
6.3.3 模型推斷 130
6.4 總結 134
07 直接推薦范式：利用大模型的上下文學習進行推薦 135
7.1 上下文學習推薦基本原理 135
7.2 案例講解 136
7.2.1 LLMRank實現案例 137
7.2.2 多任務實現案例 139
7.2.3 NIR實現案例 141
7.3 上下文學習推薦代碼實現 142
7.3.1 數據準備 142
7.3.2 代碼實現 145
7.4 總結 157
08 實戰案例：大模型在電商推薦中的應用 158
8.1 大模型賦能電商推薦系統 158
8.2 新的交互式推薦范式 161
8.2.1 交互式智能體的架構 161
8.2.2 淘寶問問簡介 162
8.3 大模型生成用戶興趣畫像 164
8.3.1 基礎原理與步驟介紹 164
8.3.2 數據預處理 165
8.3.3 代碼實現 168
8.4 大模型生成個性化商品描述信息 178
8.4.1 基礎原理與步驟介紹 178
8.4.2 數據預處理 179
8.4.3 代碼實現 184
8.5 大模型應用于電商猜你喜歡推薦 196
8.5.1 數據預處理 196
8.5.2 模型微調 199
8.5.3 模型效果評估 205
8.6 大模型應用于電商關聯推薦 209
8.6.1 數據預處理 209
8.6.2 多路召回實現 214
8.6.3 相似度排序實現 216
8.6.4 排序模型效果評估 219
8.7 大模型如何解決電商冷啟動問題 221
8.7.1 數據準備 221
8.7.2 利用大模型生成冷啟動商品的行為樣本 226
8.7.3 利用大模型上下文學習能力推薦冷啟動商品 228
8.7.4 模型微調 232
8.7.5 模型效果評估 232
8.8 利用大模型進行推薦解釋，提升推薦說服力 237
8.8.1 數據準備 237
8.8.2 利用大模型上下文學習能力進行推薦解釋 244
8.8.3 模型微調 248
8.8.4 模型效果評估 256
8.9 利用大模型進行對話式推薦 257
8.9.1 對話式大模型推薦系統的架構 257
8.9.2 數據準備 258
8.9.3 代碼實現 260
8.9.4 對話式推薦案例 268
8.10 總結 269
09 工程實踐：大模型落地真實業務場景 271
9.1 大模型推薦系統如何進行高效預訓練和推理 271
9.1.1 模型高效訓練 272
9.1.2 模型高效推理 273
9.1.3 模型服務部署 274
9.1.4 硬件選擇建議 275
9.2 大模型落地企業級推薦系統的思考 275
9.2.1 如何將推薦算法嵌入大模型框架 275
9.2.2 大模型特性給落地推薦系統帶來的挑戰 276
9.2.3 大模型相關的技術人才匱乏 276
9.2.4 大模型推薦系統與傳統推薦系統的關系 277
9.2.5 大模型推薦系統的投資回報率分析 277
9.2.6 大模型落地推薦場景的建議 277
9.3 總結 278
后記 279
1.1 大模型相關資源 1
1.1.1 可用的模型及API 1
1.1.2 數據資源 3
1.1.3 軟件資源 5
1.1.4 硬件資源 5
1.2 大模型預訓練 5
1.2.1 數據收集與預處理 5
1.2.2 確定模型架構 7
1.2.3 確定目標函數及預訓練 9
1.2.4 解碼策略 10
1.3 大模型微調 13
1.3.1 微調原理 13
1.3.2 指令微調 14
1.3.3 對齊微調 17
1.4 大模型在線學習 21
1.4.1 提示詞 21
1.4.2 上下文學習 23
1.4.3 思維鏈提示詞 24
1.4.4 規劃 26
1.5 大模型推理 27
1.5.1 高效推理技術 28
1.5.2 高效推理軟件工具 29
1.6 總結 30
02 數據準備與開發環境準備 31
2.1 MIND數據集介紹 31
2.2 Amazon電商數據集介紹 34
2.3 開發環境準備 36
2.3.1 搭建CUDA開發環境 37
2.3.2 搭建MacBook 開發環境 40
2.4 總結 42
03 大模型推薦系統的數據來源、一般思路和4種范式 43
3.1 大模型推薦系統的數據來源 43
3.1.1 大模型相關的數據 44
3.1.2 新聞推薦系統相關的數據 44
3.1.3 將推薦數據編碼為大模型可用數據 45
3.2 將大模型用于推薦的一般思路 46
3.3 將大模型應用于推薦的4種范式 46
3.3.1 基于大模型的生成范式 47
3.3.2 基于PLM的預訓練范式 47
3.3.3 基于大模型的微調范式 48
3.3.4 基于大模型的直接推薦范式 49
3.4 總結 50
04 生成范式：大模型生成特征、訓練數據與物品 51
4.1 大模型生成嵌入特征 51
4.1.1 嵌入的價值 51
4.1.2 嵌入方法介紹 52
4.2 大模型生成文本特征 57
4.2.1 生成文本特征 57
4.2.2 生成文本特征的其他方法 63
4.3 大模型生成訓練數據 66
4.3.1 大模型直接生成表格類數據 66
4.3.2 大模型生成監督樣本數據 67
4.4 大模型生成待推薦物品 69
4.4.1 為用戶生成個性化新聞 69
4.4.2 生成個性化的視頻 74
4.5 總結 77
05 預訓練范式：通過大模型預訓練進行推薦 78
5.1 預訓練的一般思路和方法 78
5.1.1 預訓練數據準備 78
5.1.2 大模型架構選擇 79
5.1.3 大模型預訓練 81
5.1.4 大模型推理（用于推薦） 82
5.2 案例講解 84
5.2.1 基于PTUM架構的預訓練推薦系統 84
5.2.2 基于P5的預訓練推薦系統 86
5.3 基于MIND數據集的代碼實戰 91
5.3.1 預訓練數據集準備 91
5.3.2 模型預訓練 98
5.3.3 模型推理與驗證 102
5.4 總結 104
06 微調范式：微調大模型進行個性化推薦 106
6.1 微調的方法 106
6.1.1 微調的價值 106
6.1.2 微調的步驟 107
6.1.3 微調的方法 111
6.1.4 微調的困難與挑戰 113
6.2 案例講解 114
6.2.1 TALLRec微調框架 114
6.2.2 GIRL：基于人類反饋的微調框架 117
6.3 基于MIND數據集實現微調 120
6.3.1 微調數據準備 120
6.3.2 模型微調 122
6.3.3 模型推斷 130
6.4 總結 134
07 直接推薦范式：利用大模型的上下文學習進行推薦 135
7.1 上下文學習推薦基本原理 135
7.2 案例講解 136
7.2.1 LLMRank實現案例 137
7.2.2 多任務實現案例 139
7.2.3 NIR實現案例 141
7.3 上下文學習推薦代碼實現 142
7.3.1 數據準備 142
7.3.2 代碼實現 145
7.4 總結 157
08 實戰案例：大模型在電商推薦中的應用 158
8.1 大模型賦能電商推薦系統 158
8.2 新的交互式推薦范式 161
8.2.1 交互式智能體的架構 161
8.2.2 淘寶問問簡介 162
8.3 大模型生成用戶興趣畫像 164
8.3.1 基礎原理與步驟介紹 164
8.3.2 數據預處理 165
8.3.3 代碼實現 168
8.4 大模型生成個性化商品描述信息 178
8.4.1 基礎原理與步驟介紹 178
8.4.2 數據預處理 179
8.4.3 代碼實現 184
8.5 大模型應用于電商猜你喜歡推薦 196
8.5.1 數據預處理 196
8.5.2 模型微調 199
8.5.3 模型效果評估 205
8.6 大模型應用于電商關聯推薦 209
8.6.1 數據預處理 209
8.6.2 多路召回實現 214
8.6.3 相似度排序實現 216
8.6.4 排序模型效果評估 219
8.7 大模型如何解決電商冷啟動問題 221
8.7.1 數據準備 221
8.7.2 利用大模型生成冷啟動商品的行為樣本 226
8.7.3 利用大模型上下文學習能力推薦冷啟動商品 228
8.7.4 模型微調 232
8.7.5 模型效果評估 232
8.8 利用大模型進行推薦解釋，提升推薦說服力 237
8.8.1 數據準備 237
8.8.2 利用大模型上下文學習能力進行推薦解釋 244
8.8.3 模型微調 248
8.8.4 模型效果評估 256
8.9 利用大模型進行對話式推薦 257
8.9.1 對話式大模型推薦系統的架構 257
8.9.2 數據準備 258
8.9.3 代碼實現 260
8.9.4 對話式推薦案例 268
8.10 總結 269
09 工程實踐：大模型落地真實業務場景 271
9.1 大模型推薦系統如何進行高效預訓練和推理 271
9.1.1 模型高效訓練 272
9.1.2 模型高效推理 273
9.1.3 模型服務部署 274
9.1.4 硬件選擇建議 275
9.2 大模型落地企業級推薦系統的思考 275
9.2.1 如何將推薦算法嵌入大模型框架 275
9.2.2 大模型特性給落地推薦系統帶來的挑戰 276
9.2.3 大模型相關的技術人才匱乏 276
9.2.4 大模型推薦系統與傳統推薦系統的關系 277
9.2.5 大模型推薦系統的投資回報率分析 277
9.2.6 大模型落地推薦場景的建議 277
9.3 總結 278
后記 279
展開全部
大模型推薦系統:算法原理、代碼實戰與案例分析 相關資料
劉強和我公司有著深入的技術合作，我們將大模型技術應用在AIda中，為時尚行業打造了推薦系統和智能搭配系統，實現了傳統技術路線需要花費大量的時間和成本才能實現的驚艷效果。本書是劉強將海量的大模型論文學習結合自身的大量業務實戰，經過體系化梳理精粹而成的。本書內容全面，從技術理論到商業實戰，是值得學習的一本書。劉強實現了大模型推薦系統的知行合一，他愿意將所學分享出來，實在是難能可貴。 吳斌，愛搭（AIda）創始人兼CEO 在這本著作中，作者深入探究了將大語言模型與推薦系統相融合的多個領域，不僅系統闡述了前沿的大模型理論知識，還提供了多樣化的應用案例和生動的數據實戰內容。讀者可以從中領略到如何利用大模型實現更加精準、個性化且富有洞察力的推薦系統。本書是推薦系統從業者值得一讀的佳作。 于敬，達觀數據聯合創始人，智能推薦業務總負責人 在人工智能快速發展的今天，大模型技術已成為各行各業競爭力的重要體現。作為醫療大模型“良醫小慧”的負責人，我同樣體會到了大模型的變革力量。劉強的這本著作恰逢其時，呈現了大模型在推薦系統領域的前沿應用。無論你是推薦系統的從業者、研究者，還是大模型應用的愛好者，本書都將成為你的得力助手。它不僅是一本理論指南，也是一本實戰手冊，包含用戶畫像、商品推薦、交互式推薦等方面的實踐經驗，可以幫助你快速構建基于大模型的推薦引擎。相信本書將引領讀者在各自的領域中實現技術升級，開創智能推薦的新紀元。 張楠，惠灝智醫CTO 自ChatGPT發布后，大語言模型技術開始滲透到各個應用領域，形成新質生產力，提供了新的研究思路和技術范式。本書系統介紹了大模型技術在推薦系統中的應用，圍繞生成式范式、預訓練范式、微調范式、直接推薦范式展開，包含算法原理、代碼實戰和工程實踐。全書邏輯清晰、結構完整、內容全面，是國內較早將大模型技術應用于推薦系統領域的技術圖書，值得一讀。 張偉，螞蟻集團資深算法專家，《智能風控：評分卡建模原理、方法與風控策略構建》作者 本書詳細、全面地介紹了大模型的數據準備、預訓練、微調等原理，通過預訓練大模型進行推薦，通過微調大模型進行個性化推薦等多種方式，以及大模型在電商推薦系統中的應用案例。讀者既能快速了解大模型推薦的基本原理，又能快速上手應用，是一本非常“接地氣”的書，適合想要入門及深入了解大模型推薦系統的人。 李明琦，百度研發工程師 本書深入探討了大模型技術在推薦系統領域的應用實踐，系統闡述了四種核心范式：生成式、預訓練、微調和直接推薦。每種范式均結合具體的應用場景，深入剖析了其算法原理、代碼實現及工程應用的關鍵點。本書內容緊跟當前算法和工業界的前沿動態，以其全面性、條理性及技術先進性成為國內大模型技術與推薦系統應用領域較早的技術圖書，能夠使讀者深入理解大模型技術在推薦系統中的應用，為相關領域的研究者和從業者提供了寶貴的參考資源。希望對這一領域感興趣的讀者通過閱讀本書，獲得更深刻的洞見和啟發。 鐘小琴， 叮咚買菜資深算法專家
大模型推薦系統:算法原理、代碼實戰與案例分析 作者簡介
劉強，2009年畢業于中國科學技術大學，有15年大數據與AI相關實踐經驗。出版過暢銷書《推薦系統：算法、案例與大模型》和《構建企業級推薦系統：算法、工程實現與案例分析》，參與翻譯《AI革命：人工智能如何為商業賦能》《認識AI：人工智能如何賦能商業（原書第2版）》《MongoDB性能調優實戰》等書。目前擔任杭州數卓信息技術有限公司CEO，公司業務方向為大模型推薦系統、大模型搜索、大模型知識庫等，致力于幫助企業利用大模型技術實現降本、提效與精細化運營；兼任愛搭（AIda）高級技術顧問，與愛搭一同推動推薦系統及大模型技術在行業內落地應用。
書友推薦
- >
李白與唐代文化
- >
有舍有得是人生
- >
經典常談
- >
詩經-先民的歌唱
- >
龍榆生：詞曲概論/大家小書
- >
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)
- >
姑媽的寶刀
- >
推拿
本類暢銷
