掃一掃
關注中圖網
官方微博
>
深度學習推薦系統2.0
本類五星書更多>
-
>
貨幣大歷史:金融霸權與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創意玩具書(精裝4冊)
深度學習推薦系統2.0 版權信息
- ISBN：9787121497469
- 條形碼：9787121497469 ; 978-7-121-49746-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：
深度學習推薦系統2.0 本書特色
大模型時代，推薦系統破局之道：算法、工程與大模型的協同創新
口碑暢銷書《深度學習推薦系統》升級版，增補內容超過50%
講透工業界核心增長引擎
兼顧經典與前沿
工業級推薦范式GR、ClickPrompt、PALR等
深度學習推薦系統2.0 內容簡介
深度學習和大模型技術在推薦系統領域掀起了一場技術革命，本書從深度學習推薦模型、Embedding技術、大模型、AIGC、模型工程實現、業界前沿實踐等幾個方面介紹了這場技術革命中的主流技術要點。本書既適合推薦系統、計算廣告和搜索領域的從業者閱讀，也適合人工智能相關專業的本科生、研究生、博士生閱讀，幫助建立深度學習推薦系統的技術框架，通過學習前沿案例，加強深度學習理論與推薦系統工程實踐的融合能力。
深度學習推薦系統2.0深度學習推薦系統2.0 前言
本書特色
本書旨在討論推薦系統相關的“經典的”或者“前沿的”技術內容。其中著重討論深度學習在推薦系統業界的應用及大模型等推薦系統的*新技術趨勢。需要明確的是，本書不是一本機器學習或者深度學習的入門書。雖然書中會穿插對機器學習基礎知識的介紹，但絕大多數內容建立在讀者有一定的機器學習背景基礎之上；本書也不是一本純理論技術書，而是一本從工程師的實際經驗角度出發，介紹深度學習在推薦系統領域的應用方法，以及相關的業界前沿知識的技術書。
本書讀者群
深度學習推薦系統2.0 目錄
第1章 推薦系統——互聯網的增長引擎 1
1.1 為什么推薦系統是互聯網的增長引擎 1
1.2 推薦系統的架構 3
1.3 算法、工程與大模型的協同創新 6
1.4 本書的整體結構 8
參考文獻 9
第2章 推薦之心——深度學習推薦模型的進化之路 10
2.1 深度學習推薦模型的演化關系 10
2.2 協同過濾——經典的推薦算法 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——深度學習推薦模型的開端 25
2.5 NeuralCF模型——雙塔模型的經典應用 28
2.6 Wide&Deep模型——記憶能力和泛化能力的綜合 33
2.7 加強特征交叉能力的深度學習推薦模型 35
2.8 注意力機制在推薦模型中的應用 40
2.9 考慮用戶興趣進化的序列模型 46
2.10 強化學習與推薦系統的結合 52
2.11 總結——推薦系統的深度學習時代 57
參考文獻 59
第3章 浪潮之巔——大模型在推薦系統中的創新 61
3.1 引爆大模型時代的ChatGPT 61
3.2 基于Prompt的推薦——以ChatGPT 的方式改造推薦系統 66
3.3 大模型特征工程——讓推薦模型學會“世界知識” 72
3.4 華為ClickPrompt——大模型與深度學習推薦模型的融合方案 76
3.5 Meta GR——用大模型的思路改進推薦模型 79
3.6 總結——方興未艾的革命與理性的深度思考 83
參考文獻 83
第4章 核心技術——Embedding 在推薦系統中的應用85
4.1 Word2vec——經典的Embedding 方法 85
4.2 Graph Embedding——引入更多結構信息的圖嵌入技術 89
4.3 GNN——直接處理圖結構數據的神經網絡 94
4.4 Embedding與深度學習推薦系統的結合 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——深度學習推薦系統的核心操作 108
參考文獻 109
第5章 推薦架構——深度學習推薦系統的級聯架構 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 算力和模型復雜度的較量 118
5.4 沖破信息繭房的重排層 124
5.5 總結——天下大勢，合久必分，分久必合 131
參考文獻 132
第6章 多個角度——推薦系統中的其他重要問題 133
6.1 如何合理地設定推薦系統中的優化目標 133
6.2 推薦系統的冷啟動問題 139
6.3 消除推薦系統的“偏見”與消偏方法 144
6.4 聯邦學習——解決隱私合規問題的利器 149
6.5 推薦系統中比模型結構更重要的是什么 152
參考文獻 156
第7章 數據為王——推薦系統的特征工程與數據流 157
7.1 推薦系統的特征工程 157
7.2 多模態特征的處理與融合 163
7.3 推薦系統的數據流167
7.4 推薦系統的實時性 171
7.5 邊緣計算——提升實時性的終極武器 177
7.6 總結——推薦系統的血液循環系統 182
參考文獻 182
第8章 模型工程——深度學習推薦模型的訓練和線上服務 183
8.1 TensorFlow與PyTorch——推薦模型離線訓練平臺 183
8.2 分布式訓練與Parameter Server的原理 190
8.3 深度學習推薦模型的上線部署 198
8.4 模型架構與數據流的深度整合——模型流式訓練 202
8.5 理想照進現實——工程與理論之間的權衡 206
參考文獻 208
第9章 效果評估——推薦系統的評估體系 210
9.1 離線評估方法與評估指標 210
9.2 更接近線上環境的離線評估方法——Replay 216
9.3 離線評估的終極方法——推薦系統模擬器 219
9.4 A/B 測試與線上評估指標 222
9.5 快速線上評估方法——Interleaving 225
9.6 推薦系統的評估體系 229
參考文獻 230
第10章 無限可能——擁抱多模態大模型和AIGC 的未來 231
10.1 Stable Diffusion——多模態大模型的基本原理 231
10.2 世界的模擬器——Sora 的基本原理 235
10.3 AI輔助內容生成 239
10.4 AI個性化內容生成 241
參考文獻 244
第11章 前沿實踐——深度學習推薦系統的業界經典案例 245
11.1 YouTube 深度學習視頻推薦系統 245
11.2 Airbnb 基于Embedding 的實時搜索推薦系統 251
11.3 阿里巴巴深度學習推薦系統的進化 261
11.4 “麻雀雖小，五臟俱全”的開源推薦系統SparrowRecSys 270
11.5 Meta 生成式推薦模型GR 的工程實現 275
參考文獻 278
第12 章 宏觀體系——構建屬于你的推薦系統知識框架 279
12.1 推薦系統的整體知識架構圖 279
12.2 推薦模型發展的時間線 280
12.3 如何成為一名優秀的推薦工程師 282
12.4 大模型時代的挑戰與機遇 284
展開全部
深度學習推薦系統2.0 相關資料
從更務實的宏觀角度出發，本書認真地探討了領域內從業者的職業發展方向與空間，從底層冷靜地審視現有技術體系的局限和機會，為下一個推薦系統的黃金時代到來蓄力。匯量科技首席人工智能官 朱小強 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術界和工業界的橋梁，不僅讓有興趣從事推薦系統及相關工作的在校生有了熟悉工業界推薦系統的機會，還探索了大模型在推薦系統中的諸多前沿應用。清華大學計算機科學與技術系教授 唐 杰 本書系統地歸納、梳理了推薦領域的眾多深度學習前沿模型，更可貴的是，本書探索了大模型和AIGC技術在推薦系統中的諸多創新應用。我誠摯地向讀者力薦此書。新浪微博首席科學家 張俊林
深度學習推薦系統2.0 作者簡介
王喆 ，畢業于清華大學計算機科學與技術系，現任硅谷某科技大廠技術總監，曾任TikTok高級技術經理、美國流媒體公司Roku資深機器學習工程師。清華大學KEG實驗室學術搜索引擎AMiner早期發起人之一。主要研究方向為推薦系統、計算廣告、個性化搜索，發表相關領域學術論文7篇，擁有專利3項，是《百面機器學習》等技術書的聯合作者。曾擔任KDD、CIKM等國際會議審稿人。
書友推薦
- >
名家帶你讀魯迅:朝花夕拾
- >
二體千字文
- >
有舍有得是人生
- >
名家帶你讀魯迅:故事新編
- >
經典常談
- >
朝聞道
- >
推拿
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
