中圖網(wǎng)小程序
一鍵登錄
更方便
>
深度學(xué)習(xí)推薦系統(tǒng)2.0
本類五星書更多>
-
>
貨幣大歷史:金融霸權(quán)與大國(guó)興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報(bào)》2021合訂本
-
>
(精)中國(guó)當(dāng)代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權(quán)力之路
-
>
書里掉出來一只狼+狼的故事-全2冊(cè)
-
>
奇思妙想創(chuàng)意玩具書(精裝4冊(cè))
中圖價(jià):¥83.2
加入購(gòu)物車
深度學(xué)習(xí)推薦系統(tǒng)2.0 版權(quán)信息
- ISBN：9787121497469
- 條形碼：9787121497469 ; 978-7-121-49746-9
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：
深度學(xué)習(xí)推薦系統(tǒng)2.0 本書特色
大模型時(shí)代，推薦系統(tǒng)破局之道：算法、工程與大模型的協(xié)同創(chuàng)新
口碑暢銷書《深度學(xué)習(xí)推薦系統(tǒng)》升級(jí)版，增補(bǔ)內(nèi)容超過50%
講透工業(yè)界核心增長(zhǎng)引擎
兼顧經(jīng)典與前沿
工業(yè)級(jí)推薦范式GR、ClickPrompt、PALR等
深度學(xué)習(xí)推薦系統(tǒng)2.0 內(nèi)容簡(jiǎn)介
深度學(xué)習(xí)和大模型技術(shù)在推薦系統(tǒng)領(lǐng)域掀起了一場(chǎng)技術(shù)革命，本書從深度學(xué)習(xí)推薦模型、Embedding技術(shù)、大模型、AIGC、模型工程實(shí)現(xiàn)、業(yè)界前沿實(shí)踐等幾個(gè)方面介紹了這場(chǎng)技術(shù)革命中的主流技術(shù)要點(diǎn)。本書既適合推薦系統(tǒng)、計(jì)算廣告和搜索領(lǐng)域的從業(yè)者閱讀，也適合人工智能相關(guān)專業(yè)的本科生、研究生、博士生閱讀，幫助建立深度學(xué)習(xí)推薦系統(tǒng)的技術(shù)框架，通過學(xué)習(xí)前沿案例，加強(qiáng)深度學(xué)習(xí)理論與推薦系統(tǒng)工程實(shí)踐的融合能力。
深度學(xué)習(xí)推薦系統(tǒng)2.0深度學(xué)習(xí)推薦系統(tǒng)2.0 前言
本書特色
本書旨在討論推薦系統(tǒng)相關(guān)的“經(jīng)典的”或者“前沿的”技術(shù)內(nèi)容。其中著重討論深度學(xué)習(xí)在推薦系統(tǒng)業(yè)界的應(yīng)用及大模型等推薦系統(tǒng)的*新技術(shù)趨勢(shì)。需要明確的是，本書不是一本機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)的入門書。雖然書中會(huì)穿插對(duì)機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)的介紹，但絕大多數(shù)內(nèi)容建立在讀者有一定的機(jī)器學(xué)習(xí)背景基礎(chǔ)之上；本書也不是一本純理論技術(shù)書，而是一本從工程師的實(shí)際經(jīng)驗(yàn)角度出發(fā)，介紹深度學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域的應(yīng)用方法，以及相關(guān)的業(yè)界前沿知識(shí)的技術(shù)書。
本書讀者群
深度學(xué)習(xí)推薦系統(tǒng)2.0 目錄
第1章 推薦系統(tǒng)——互聯(lián)網(wǎng)的增長(zhǎng)引擎 1
1.1 為什么推薦系統(tǒng)是互聯(lián)網(wǎng)的增長(zhǎng)引擎 1
1.2 推薦系統(tǒng)的架構(gòu) 3
1.3 算法、工程與大模型的協(xié)同創(chuàng)新 6
1.4 本書的整體結(jié)構(gòu) 8
參考文獻(xiàn) 9
第2章 推薦之心——深度學(xué)習(xí)推薦模型的進(jìn)化之路 10
2.1 深度學(xué)習(xí)推薦模型的演化關(guān)系 10
2.2 協(xié)同過濾——經(jīng)典的推薦算法 12
2.3 從LR到FFM——融合多種特征的推薦模型 18
2.4 Deep Crossing模型——深度學(xué)習(xí)推薦模型的開端 25
2.5 NeuralCF模型——雙塔模型的經(jīng)典應(yīng)用 28
2.6 Wide&Deep模型——記憶能力和泛化能力的綜合 33
2.7 加強(qiáng)特征交叉能力的深度學(xué)習(xí)推薦模型 35
2.8 注意力機(jī)制在推薦模型中的應(yīng)用 40
2.9 考慮用戶興趣進(jìn)化的序列模型 46
2.10 強(qiáng)化學(xué)習(xí)與推薦系統(tǒng)的結(jié)合 52
2.11 總結(jié)——推薦系統(tǒng)的深度學(xué)習(xí)時(shí)代 57
參考文獻(xiàn) 59
第3章 浪潮之巔——大模型在推薦系統(tǒng)中的創(chuàng)新 61
3.1 引爆大模型時(shí)代的ChatGPT 61
3.2 基于Prompt的推薦——以ChatGPT 的方式改造推薦系統(tǒng) 66
3.3 大模型特征工程——讓推薦模型學(xué)會(huì)“世界知識(shí)” 72
3.4 華為ClickPrompt——大模型與深度學(xué)習(xí)推薦模型的融合方案 76
3.5 Meta GR——用大模型的思路改進(jìn)推薦模型 79
3.6 總結(jié)——方興未艾的革命與理性的深度思考 83
參考文獻(xiàn) 83
第4章 核心技術(shù)——Embedding 在推薦系統(tǒng)中的應(yīng)用85
4.1 Word2vec——經(jīng)典的Embedding 方法 85
4.2 Graph Embedding——引入更多結(jié)構(gòu)信息的圖嵌入技術(shù) 89
4.3 GNN——直接處理圖結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò) 94
4.4 Embedding與深度學(xué)習(xí)推薦系統(tǒng)的結(jié)合 101
4.5 近似*近鄰搜索——讓Embedding 插上翅膀的快速搜索方法 104
4.6 總結(jié)——深度學(xué)習(xí)推薦系統(tǒng)的核心操作 108
參考文獻(xiàn) 109
第5章 推薦架構(gòu)——深度學(xué)習(xí)推薦系統(tǒng)的級(jí)聯(lián)架構(gòu) 110
5.1 以快為主的召回層 111
5.2 承上啟下的粗排層 116
5.3 算力和模型復(fù)雜度的較量 118
5.4 沖破信息繭房的重排層 124
5.5 總結(jié)——天下大勢(shì)，合久必分，分久必合 131
參考文獻(xiàn) 132
第6章 多個(gè)角度——推薦系統(tǒng)中的其他重要問題 133
6.1 如何合理地設(shè)定推薦系統(tǒng)中的優(yōu)化目標(biāo) 133
6.2 推薦系統(tǒng)的冷啟動(dòng)問題 139
6.3 消除推薦系統(tǒng)的“偏見”與消偏方法 144
6.4 聯(lián)邦學(xué)習(xí)——解決隱私合規(guī)問題的利器 149
6.5 推薦系統(tǒng)中比模型結(jié)構(gòu)更重要的是什么 152
參考文獻(xiàn) 156
第7章 數(shù)據(jù)為王——推薦系統(tǒng)的特征工程與數(shù)據(jù)流 157
7.1 推薦系統(tǒng)的特征工程 157
7.2 多模態(tài)特征的處理與融合 163
7.3 推薦系統(tǒng)的數(shù)據(jù)流167
7.4 推薦系統(tǒng)的實(shí)時(shí)性 171
7.5 邊緣計(jì)算——提升實(shí)時(shí)性的終極武器 177
7.6 總結(jié)——推薦系統(tǒng)的血液循環(huán)系統(tǒng) 182
參考文獻(xiàn) 182
第8章 模型工程——深度學(xué)習(xí)推薦模型的訓(xùn)練和線上服務(wù) 183
8.1 TensorFlow與PyTorch——推薦模型離線訓(xùn)練平臺(tái) 183
8.2 分布式訓(xùn)練與Parameter Server的原理 190
8.3 深度學(xué)習(xí)推薦模型的上線部署 198
8.4 模型架構(gòu)與數(shù)據(jù)流的深度整合——模型流式訓(xùn)練 202
8.5 理想照進(jìn)現(xiàn)實(shí)——工程與理論之間的權(quán)衡 206
參考文獻(xiàn) 208
第9章 效果評(píng)估——推薦系統(tǒng)的評(píng)估體系 210
9.1 離線評(píng)估方法與評(píng)估指標(biāo) 210
9.2 更接近線上環(huán)境的離線評(píng)估方法——Replay 216
9.3 離線評(píng)估的終極方法——推薦系統(tǒng)模擬器 219
9.4 A/B 測(cè)試與線上評(píng)估指標(biāo) 222
9.5 快速線上評(píng)估方法——Interleaving 225
9.6 推薦系統(tǒng)的評(píng)估體系 229
參考文獻(xiàn) 230
第10章 無限可能——擁抱多模態(tài)大模型和AIGC 的未來 231
10.1 Stable Diffusion——多模態(tài)大模型的基本原理 231
10.2 世界的模擬器——Sora 的基本原理 235
10.3 AI輔助內(nèi)容生成 239
10.4 AI個(gè)性化內(nèi)容生成 241
參考文獻(xiàn) 244
第11章 前沿實(shí)踐——深度學(xué)習(xí)推薦系統(tǒng)的業(yè)界經(jīng)典案例 245
11.1 YouTube 深度學(xué)習(xí)視頻推薦系統(tǒng) 245
11.2 Airbnb 基于Embedding 的實(shí)時(shí)搜索推薦系統(tǒng) 251
11.3 阿里巴巴深度學(xué)習(xí)推薦系統(tǒng)的進(jìn)化 261
11.4 “麻雀雖小，五臟俱全”的開源推薦系統(tǒng)SparrowRecSys 270
11.5 Meta 生成式推薦模型GR 的工程實(shí)現(xiàn) 275
參考文獻(xiàn) 278
第12 章 宏觀體系——構(gòu)建屬于你的推薦系統(tǒng)知識(shí)框架 279
12.1 推薦系統(tǒng)的整體知識(shí)架構(gòu)圖 279
12.2 推薦模型發(fā)展的時(shí)間線 280
12.3 如何成為一名優(yōu)秀的推薦工程師 282
12.4 大模型時(shí)代的挑戰(zhàn)與機(jī)遇 284
展開全部
深度學(xué)習(xí)推薦系統(tǒng)2.0 相關(guān)資料
從更務(wù)實(shí)的宏觀角度出發(fā)，本書認(rèn)真地探討了領(lǐng)域內(nèi)從業(yè)者的職業(yè)發(fā)展方向與空間，從底層冷靜地審視現(xiàn)有技術(shù)體系的局限和機(jī)會(huì)，為下一個(gè)推薦系統(tǒng)的黃金時(shí)代到來蓄力。匯量科技首席人工智能官 朱小強(qiáng) 我非常樂意將本書介紹給在校研究生和博士生，它搭建了一座連接學(xué)術(shù)界和工業(yè)界的橋梁，不僅讓有興趣從事推薦系統(tǒng)及相關(guān)工作的在校生有了熟悉工業(yè)界推薦系統(tǒng)的機(jī)會(huì)，還探索了大模型在推薦系統(tǒng)中的諸多前沿應(yīng)用。清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系教授 唐 杰 本書系統(tǒng)地歸納、梳理了推薦領(lǐng)域的眾多深度學(xué)習(xí)前沿模型，更可貴的是，本書探索了大模型和AIGC技術(shù)在推薦系統(tǒng)中的諸多創(chuàng)新應(yīng)用。我誠(chéng)摯地向讀者力薦此書。新浪微博首席科學(xué)家 張俊林
深度學(xué)習(xí)推薦系統(tǒng)2.0 作者簡(jiǎn)介
王喆 ，畢業(yè)于清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，現(xiàn)任硅谷某科技大廠技術(shù)總監(jiān)，曾任TikTok高級(jí)技術(shù)經(jīng)理、美國(guó)流媒體公司Roku資深機(jī)器學(xué)習(xí)工程師。清華大學(xué)KEG實(shí)驗(yàn)室學(xué)術(shù)搜索引擎AMiner早期發(fā)起人之一。主要研究方向?yàn)橥扑]系統(tǒng)、計(jì)算廣告、個(gè)性化搜索，發(fā)表相關(guān)領(lǐng)域?qū)W術(shù)論文7篇，擁有專利3項(xiàng)，是《百面機(jī)器學(xué)習(xí)》等技術(shù)書的聯(lián)合作者。曾擔(dān)任KDD、CIKM等國(guó)際會(huì)議審稿人。
書友推薦
- >
二體千字文
- >
伯納黛特,你要去哪(2021新版)
- >
姑媽的寶刀
- >
我與地壇
- >
小考拉的故事-套裝共3冊(cè)
- >
名家?guī)阕x魯迅:故事新編
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
朝聞道
本類暢銷
