掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>>
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐
包郵 大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐
開本：
16開
頁數(shù)：
400
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐 版權(quán)信息
- ISBN：9787302685654
- 條形碼：9787302685654 ; 978-7-302-68565-4
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐 本書特色
在人工智能飛速發(fā)展的今天，大語言模型憑借其強(qiáng)大的自然語言理解能力和上下文學(xué)習(xí)能力，正以前所未有的姿態(tài)改變著推薦系統(tǒng)的技術(shù)格局。而《大模型智能推薦系統(tǒng)：技術(shù)解析與開發(fā)實(shí)踐》一書，無疑是引領(lǐng)開發(fā)者和研究人員深入探索這一前沿領(lǐng)域的明燈。
《大模型智能推薦系統(tǒng):技術(shù)解析與開發(fā)實(shí)踐》系統(tǒng)地剖析了大語言模型與推薦系統(tǒng)的融合應(yīng)用，內(nèi)容涵蓋技術(shù)原理、開發(fā)方法及豐富的實(shí)戰(zhàn)案例，旨在為讀者構(gòu)建一個(gè)完整的知識(shí)體系，并提供實(shí)用的開發(fā)指導(dǎo)。全書精心分為 4 部分，內(nèi)容層層遞進(jìn)，如同一位耐心的導(dǎo)師，逐步引導(dǎo)讀者從技術(shù)理解走向?qū)崙?zhàn)開發(fā)，助力讀者成功構(gòu)建高效、智能化的推薦系統(tǒng)。
第1部分聚焦于推薦系統(tǒng)的技術(shù)框架與大語言模型的結(jié)合點(diǎn)，深入剖析冷啟動(dòng)問題和長尾用戶優(yōu)化等核心挑戰(zhàn)。同時(shí)，詳細(xì)解讀數(shù)據(jù)清洗、用戶畫像與特征工程的方法，為推薦系統(tǒng)的搭建奠定堅(jiān)實(shí)基礎(chǔ)。
第2部分則像一把鑰匙，深入解鎖 LLM 的核心技術(shù)，包括嵌入生成、生成式推薦和預(yù)訓(xùn)練模型應(yīng)用等，幫助讀者掌握構(gòu)建智能推薦系統(tǒng)的關(guān)鍵能力，讓讀者真正理解大語言模型在推薦系統(tǒng)中的核心價(jià)值。
第3部分探討推薦系統(tǒng)的進(jìn)階優(yōu)化技術(shù)，如微調(diào)方法、上下文學(xué)習(xí)和Prompt工程等，并展示多任務(wù)學(xué)習(xí)與交互式推薦的實(shí)踐方法，引領(lǐng)讀者探索推薦系統(tǒng)的更高層次。
第4部分結(jié)合實(shí)戰(zhàn)項(xiàng)目，完整展示推薦系統(tǒng)從開發(fā)到部署的全過程。以電商推薦系統(tǒng)為例，涵蓋數(shù)據(jù)處理、模型開發(fā)與優(yōu)化、系統(tǒng)上線及性能監(jiān)控等關(guān)鍵環(huán)節(jié)，為讀者提供寶貴的實(shí)踐經(jīng)驗(yàn)。
《大模型智能推薦系統(tǒng):技術(shù)解析與開發(fā)實(shí)踐》的一大特色是注重理論與實(shí)踐的緊密結(jié)合，包含了豐富的代碼示例和運(yùn)行結(jié)果，確保讀者能夠?qū)⑺鶎W(xué)知識(shí)迅速付諸實(shí)踐。同時(shí)，書中引用了諸多先進(jìn)工具與框架，如 Hugging Face 的 Transformer 庫、ONNX 優(yōu)化工具和分布式推理框架等，為構(gòu)建工業(yè)級(jí)推薦系統(tǒng)提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。
無論你是初涉推薦系統(tǒng)領(lǐng)域的新手，還是經(jīng)驗(yàn)豐富的專業(yè)人士，本書都將成為你的得力助手。它不僅能滿足你對大語言模型推薦系統(tǒng)的求知欲，還能在實(shí)際項(xiàng)目中為你提供切實(shí)可行的解決方案。相信這《大模型智能推薦系統(tǒng):技術(shù)解析與開發(fā)實(shí)踐》將是你開啟智能推薦新時(shí)代的鑰匙，帶你在技術(shù)的海洋中暢游，創(chuàng)造出更加智能、高效的推薦系統(tǒng)。
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐 內(nèi)容簡介
本書系統(tǒng)闡述大語言模型與推薦系統(tǒng)深度融合的創(chuàng)新實(shí)踐，涵蓋技術(shù)原理、開發(fā)方法及實(shí)戰(zhàn)案例。本書分為4部分，共12章，涉及推薦系統(tǒng)的多個(gè)關(guān)鍵模塊，包括技術(shù)框架、數(shù)據(jù)處理、特征工程、嵌入生成、排序優(yōu)化及推薦結(jié)果評估。重點(diǎn)解析大語言模型在冷啟動(dòng)問題、長尾內(nèi)容優(yōu)化和個(gè)性化推薦等領(lǐng)域的核心技術(shù)，通過深度剖析上下文學(xué)習(xí)、Prompt工程及分布式部署等方法，展示如何利用大語言模型提高推薦精度和用戶體驗(yàn)。同時(shí)，通過實(shí)戰(zhàn)項(xiàng)目的解析，助力讀者掌握高效智能推薦系統(tǒng)從開發(fā)到部署的全流程。本書還引用了Hugging Face的Transformer庫、ONNX優(yōu)化工具以及分布式推理框架等先進(jìn)技術(shù)，為構(gòu)建工業(yè)級(jí)推薦系統(tǒng)筑牢堅(jiān)實(shí)基礎(chǔ)。
本書注重理論與實(shí)踐的結(jié)合，尤其適合希望將推薦技術(shù)應(yīng)用于業(yè)務(wù)場景的開發(fā)者與研究人員閱讀。
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐 前言
前 言
LLM憑借其強(qiáng)大的自然語言理解能力和上下文學(xué)習(xí)能力，正在徹底改變推薦系統(tǒng)的技術(shù)格局。從捕捉用戶隱含需求，到生成語義豐富的嵌入表示，再到利用預(yù)訓(xùn)練知識(shí)完成復(fù)雜推薦任務(wù)，LLM展現(xiàn)了顯著的性能優(yōu)勢。無論是精準(zhǔn)用戶畫像、實(shí)時(shí)推薦響應(yīng)，還是排序優(yōu)化和生成式推薦，LLM都展現(xiàn)出了前所未有的能力。基于此，本書系統(tǒng)性地剖析了LLM與推薦系統(tǒng)的融合應(yīng)用，涵蓋技術(shù)原理、開發(fā)方法及實(shí)戰(zhàn)案例，旨在為讀者提供完整的知識(shí)體系和實(shí)用的開發(fā)指導(dǎo)。
全書分為4部分，共12章，內(nèi)容層層遞進(jìn)，逐步引導(dǎo)讀者從技術(shù)理解走向?qū)崙?zhàn)開發(fā)，*終構(gòu)建高效、智能化的推薦系統(tǒng)。
第1部分（第1、2章）著重介紹推薦系統(tǒng)的技術(shù)框架和LLM的結(jié)合點(diǎn)，剖析冷啟動(dòng)問題和長尾用戶優(yōu)化等核心挑戰(zhàn)，并詳解數(shù)據(jù)清洗、用戶畫像與特征工程的方法。
第2部分（第3~5章）深入解析LLM的核心技術(shù)，包括嵌入生成、生成式推薦和預(yù)訓(xùn)練模型應(yīng)用，幫助讀者掌握構(gòu)建智能推薦系統(tǒng)的關(guān)鍵能力。
第3部分（第6~8章）探討推薦系統(tǒng)的進(jìn)階優(yōu)化技術(shù)，如微調(diào)方法、上下文學(xué)習(xí)和Prompt（提示詞）工程，并展示多任務(wù)學(xué)習(xí)與交互式推薦的實(shí)踐方法。
第4部分（第9~12章）結(jié)合實(shí)戰(zhàn)項(xiàng)目，展示推薦系統(tǒng)從開發(fā)到部署的完整流程，涵蓋數(shù)據(jù)處理、模型開發(fā)與優(yōu)化、系統(tǒng)上線及性能監(jiān)控。
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐 目錄
目 錄
第1部分 理論基礎(chǔ)與技術(shù)框架
第1章 大語言模型推薦系統(tǒng)的技術(shù)框架 3
1.1 基本技術(shù)詳解 3
1.1.1 Transformer架構(gòu)基礎(chǔ) 3
1.1.2 注意力機(jī)制 8
1.1.3 大規(guī)模向量檢索技術(shù) 13
1.1.4 Prompt工程與上下文學(xué)習(xí)技術(shù) 17
1.1.5 計(jì)算性能優(yōu)化與并行訓(xùn)練技術(shù) 21
1.2 大語言模型推薦系統(tǒng)的核心模塊 24
1.2.1 嵌入生成與用戶畫像建模 25
1.2.2 嵌入生成模塊 29
1.2.3 召回模塊 32
1.2.4 排序模塊 35
1.2.5 實(shí)時(shí)推薦與上下文處理模塊 38
1.3 推薦系統(tǒng)的關(guān)鍵挑戰(zhàn)與解決技術(shù) 41
1.3.1 數(shù)據(jù)稀疏性問題 41
1.3.2 高并發(fā)環(huán)境詳解 45
1.4 本章小結(jié) 50
1.5 思考題 51
第2章 數(shù)據(jù)處理與特征工程 52
2.1 數(shù)據(jù)清洗與標(biāo)準(zhǔn)化 52
2.1.1 異構(gòu)數(shù)據(jù)格式標(biāo)準(zhǔn)化處理 52
2.1.2 數(shù)據(jù)噪聲過濾與異常檢測 56
2.2 用戶畫像與物品畫像的構(gòu)建 60
2.2.1 用戶興趣特征生成 61
2.2.2 基于嵌入向量的物品特征提取 65
2.3 特征交互與場景特征生成 69
2.3.1 特征交叉組合實(shí)現(xiàn) 69
2.3.2 領(lǐng)域知識(shí)的上下文特征增強(qiáng) 73
2.4 本章小結(jié) 77
2.5 思考題 77
第2部分 核心技術(shù)解析
第3章 嵌入技術(shù)在推薦系統(tǒng)中的應(yīng)用 81
3.1 用戶行為嵌入生成技術(shù) 81
3.1.1 基于大語言模型的用戶行為編碼 81
3.1.2 時(shí)間序列特征的嵌入優(yōu)化 84
3.2 多模態(tài)數(shù)據(jù)嵌入技術(shù) 88
3.2.1 文本、圖像與視頻嵌入的融合方法 88
3.2.2 基于CLIP模型的多模態(tài)特征聯(lián)合嵌入 92
3.3 嵌入向量的存儲(chǔ)與檢索優(yōu)化 95
3.3.1 使用Faiss進(jìn)行高效向量檢索 95
3.3.2 向量檢索優(yōu)化 98
3.3.3 文本嵌入向量生成 100
3.4 自監(jiān)督嵌入學(xué)習(xí)方法 103
3.4.1 自監(jiān)督學(xué)習(xí)基本原理 103
3.4.2 基于對比學(xué)習(xí)的嵌入生成 106
3.5 本章小結(jié) 110
3.6 思考題 111
第4章 生成式推薦：從特征到內(nèi)容 112
4.1 大語言模型生成特征的技術(shù)方法 112
4.1.1 GPT生成用戶興趣特征與物品特征 112
4.1.2 T5模型與文本生成 115
4.2 大語言模型生成推薦內(nèi)容 118
4.2.1 個(gè)性化商品描述與廣告文案生成 118
4.2.2 基于用戶歷史行為生成推薦 121
4.3 生成式推薦系統(tǒng)的優(yōu)化與評估 127
4.3.1 推薦生成結(jié)果過濾 127
4.3.2 評估：生成內(nèi)容與用戶點(diǎn)擊率 130
4.4 生成約束與RLHF 133
4.4.1 生成約束在推薦任務(wù)中的實(shí)現(xiàn) 133
4.4.2 基于RLHF的生成質(zhì)量優(yōu)化技術(shù) 136
4.5 本章小結(jié) 140
4.6 思考題 140
第5章 預(yù)訓(xùn)練語言模型在推薦系統(tǒng)中的應(yīng)用 142
5.1 預(yù)訓(xùn)練語言模型的架構(gòu)設(shè)計(jì) 142
5.1.1 使用PLM進(jìn)行用戶與物品的聯(lián)合建模 142
5.1.2 Transformer架構(gòu)對推薦效果的提升 146
5.2 預(yù)訓(xùn)練語言模型在冷啟動(dòng)推薦中的應(yīng)用 149
5.2.1 用戶冷啟動(dòng)與物品冷啟動(dòng)的特征生成 149
5.2.2 基于上下文學(xué)習(xí)的冷啟動(dòng)推薦 153
5.2.3 利用生成模型創(chuàng)建冷啟動(dòng)數(shù)據(jù) 160
5.3 代碼實(shí)戰(zhàn)：基于MIND數(shù)據(jù)集構(gòu)建預(yù)訓(xùn)練推薦系統(tǒng) 163
5.3.1 數(shù)據(jù)集加載與預(yù)處理 163
5.3.2 用戶與物品特征的嵌入生成 166
5.3.3 預(yù)訓(xùn)練模型的構(gòu)建與優(yōu)化 169
5.3.4 推薦結(jié)果的推理與評估 172
5.3.5 模型改進(jìn)與迭代開發(fā) 175
5.4 本章小結(jié) 181
5.5 思考題 182
第3部分 模型優(yōu)化與進(jìn)階技術(shù)
第6章 微調(diào)技術(shù)與個(gè)性化推薦 185
6.1 微調(diào)推薦模型的關(guān)鍵技術(shù) 185
6.1.1 PEFT 185
6.1.2 RLHF 191
6.2 個(gè)性化推薦系統(tǒng)的實(shí)現(xiàn) 196
6.2.1 針對長尾用戶的微調(diào)策略 196
6.2.2 微調(diào)后推薦系統(tǒng)的效果提升 201
6.3 案例分析：TALLRec框架在個(gè)性化推薦中的應(yīng)用 206
6.3.1 微調(diào)模型的訓(xùn)練與部署 206
6.3.2 基于用戶行為的個(gè)性化推薦實(shí)現(xiàn) 210
6.3.3 TALLRec的多任務(wù)學(xué)習(xí)在推薦中的應(yīng)用 214
6.4 參數(shù)高效微調(diào)（LoRA）的實(shí)現(xiàn)與應(yīng)用 219
6.4.1 LoRA技術(shù)的具體實(shí)現(xiàn)與代碼分析 219
6.4.2 LoRA優(yōu)化推薦系統(tǒng)的實(shí)際案例 222
6.5 本章小結(jié) 227
6.6 思考題 228
第7章 上下文學(xué)習(xí)與直接推薦技術(shù) 229
7.1 大語言模型上下文學(xué)習(xí)的技術(shù)實(shí)現(xiàn) 229
7.1.1 提示詞工程 229
7.1.2 動(dòng)態(tài)上下文學(xué)習(xí)與實(shí)時(shí)推薦 231
7.2 Prompt優(yōu)化與自適應(yīng)推薦系統(tǒng) 234
7.2.1 連續(xù)Prompt生成 234
7.2.2 用戶意圖檢測與自適應(yīng)推薦算法 236
7.3 基于Few-shot和Zero-shot的推薦任務(wù) 239
7.3.1 Few-shot推薦任務(wù)的案例與技術(shù)解析 239
7.3.2 Zero-shot推薦任務(wù)案例分析 242
7.4 本章小結(jié) 248
7.5 思考題 248
第8章 多任務(wù)學(xué)習(xí)與交互式推薦系統(tǒng) 250
8.1 多任務(wù)學(xué)習(xí)模型的架構(gòu)設(shè)計(jì) 250
8.1.1 多任務(wù)學(xué)習(xí)模型在推薦中的應(yīng)用 250
8.1.2 多任務(wù)優(yōu)化 253
8.2 交互式推薦系統(tǒng)的智能體架構(gòu) 257
8.2.1 交互式推薦中的Agent系統(tǒng)簡單實(shí)現(xiàn) 257
8.2.2 用戶實(shí)時(shí)反饋對推薦模型的動(dòng)態(tài)更新 259
8.3 實(shí)戰(zhàn)案例：基于LangChain實(shí)現(xiàn)對話式推薦 262
8.3.1 用戶對話驅(qū)動(dòng)的推薦生成 262
8.3.2 多輪對話中的上下文管理問題 264
8.3.3 對話與推薦融合 266
8.3.4 云端部署LangChain系統(tǒng) 268
8.4 本章小結(jié) 271
8.5 思考題 272
第4部分 實(shí)戰(zhàn)與部署
第 9 章 排序算法與推薦結(jié)果優(yōu)化 275
9.1 排序算法的核心技術(shù) 275
9.1.1 Transformer生成排序特征的方法 275
9.1.2 CTR預(yù)測模型 277
9.2 排序優(yōu)化的代碼實(shí)現(xiàn) 280
9.2.1 Wide&Deep模型排序案例 281
9.2.2 使用GBDT進(jìn)行特征排序與評分 284
9.3 基于Learning-to-Rank的排序優(yōu)化 287
9.3.1 Pointwise、Pairwise和Listwise方法解析 288
9.3.2 使用Learning-to-Rank優(yōu)化推薦系統(tǒng)排序的案例 290
9.4 本章小結(jié) 295
9.5 思考題 296
第10章 冷啟動(dòng)問題與長尾問題詳解 298
10.1 冷啟動(dòng)問題的技術(shù)解決方案 298
10.1.1 利用大語言模型生成初始用戶行為樣本 298
10.1.2 新品與冷門內(nèi)容的長尾推薦 301
10.2 長尾用戶的動(dòng)態(tài)興趣建模 303
10.2.1 興趣遷移 303
10.2.2 基于行為序列的動(dòng)態(tài)特征生成 305
10.3 冷啟動(dòng)推薦的案例分析 307
10.3.1 冷啟動(dòng)推薦系統(tǒng)的代碼實(shí)現(xiàn) 307
10.3.2 基于大語言模型的物品冷啟動(dòng)解決方案 309
10.3.3 長尾內(nèi)容的推薦優(yōu)化 311
10.3.4 案例實(shí)戰(zhàn)：公眾號(hào)冷啟動(dòng)推薦 313
10.4 本章小結(jié) 315
10.5 思考題 316
第11章 推薦系統(tǒng)開發(fā)基礎(chǔ) 317
11.1 推薦系統(tǒng)的分布式架構(gòu)設(shè)計(jì) 317
11.1.1 微服務(wù)框架下的推薦模塊部署 317
11.1.2 ONNX模型轉(zhuǎn)換與TensorRT推理加速 319
11.1.3 分布式向量檢索服務(wù)的負(fù)載均衡 322
11.1.4 高可用推薦服務(wù)容錯(cuò)與恢復(fù)機(jī)制 324
11.2 推薦服務(wù)的高并發(fā)優(yōu)化 326
11.2.1 實(shí)時(shí)推薦服務(wù)的緩存機(jī)制設(shè)計(jì) 326
11.2.2 異步處理與批量推理的性能提升 329
11.2.3 動(dòng)態(tài)負(fù)載均衡在推薦服務(wù)中的應(yīng)用 331
11.2.4 使用分布式消息隊(duì)列優(yōu)化高并發(fā)推薦流 333
11.3 推薦系統(tǒng)的日志與監(jiān)控模塊 336
11.3.1 實(shí)時(shí)監(jiān)控系統(tǒng)性能與用戶行為數(shù)據(jù) 336
11.3.2 日志采集與分布式存儲(chǔ)架構(gòu) 338
11.3.3 異常檢測與告警系統(tǒng) 341
11.3.4 推薦效果評估反饋 345
11.4 本章小結(jié) 348
11.5 思考題 348
第12章 基于大模型的電商平臺(tái)推薦系統(tǒng)開發(fā) 350
12.1 項(xiàng)目規(guī)劃與系統(tǒng)設(shè)計(jì) 350
12.1.1 基于大語言模型的推薦系統(tǒng)整體架構(gòu)設(shè)計(jì) 350
12.1.2 需求分析與功能模塊劃分 353
12.2 數(shù)據(jù)管理模塊 355
12.2.1 數(shù)據(jù)采集、清洗與規(guī)范化 355
12.2.2 用戶與物品特征生成 357
12.3 嵌入生成與召回模塊開發(fā) 361
12.3.1 基于大模型的嵌入生成 361
12.3.2 向量檢索與召回 363
12.4 排序與優(yōu)化模塊 365
12.4.1 CTR生成式排序模型 365
12.4.2 使用LTR優(yōu)化推薦效果 368
12.5 系統(tǒng)部署與實(shí)時(shí)服務(wù) 371
12.5.1 模型轉(zhuǎn)換與ONNX優(yōu)化 371
12.5.2 分布式推理服務(wù)與API接口開發(fā) 373
12.5.3 模型微調(diào)與部署 376
12.6 性能監(jiān)控與日志分析 380
12.7 本章小結(jié) 383
12.8 思考題 384
展開全部
大模型智能推薦系統(tǒng) 技術(shù)解析與開發(fā)實(shí)踐 作者簡介
梁志遠(yuǎn)，博士，畢業(yè)于北京航空航天大學(xué)。長期從事人工智能、大語言模型的開發(fā)，專注于深度學(xué)習(xí)、自然語言處理、數(shù)據(jù)分析與智能決策等領(lǐng)域。主持或參與多項(xiàng)科研項(xiàng)目，涵蓋模型訓(xùn)練優(yōu)化、知識(shí)蒸餾、自動(dòng)推理與多模態(tài)學(xué)習(xí)等方向。致力于推動(dòng)人工智能技術(shù)在工業(yè)應(yīng)用、智能交互與數(shù)據(jù)驅(qū)動(dòng)中的實(shí)踐與發(fā)展。
韓曉晨，博士，長期從事高性能計(jì)算與大模型訓(xùn)練算力優(yōu)化研究。近十年來，專注于智能計(jì)算架構(gòu)優(yōu)化及大規(guī)模數(shù)據(jù)處理，深耕控制算法、機(jī)器視覺等領(lǐng)域。近年來，重點(diǎn)研究大模型訓(xùn)練加速、算力調(diào)度與異構(gòu)計(jì)算優(yōu)化，致力于提升計(jì)算效率與資源利用率，推動(dòng)大規(guī)模人工智能模型的高效部署與應(yīng)用。
書友推薦
- >
經(jīng)典常談
- >
有舍有得是人生
- >
二體千字文
- >
推拿
- >
巴金－再思錄
- >
我從未如此眷戀人間
- >
我與地壇
- >
自卑與超越
本類暢銷
