檢索匹配:深度學習在搜索、廣告、推薦系統中的應用
康善同 編著
- 出版商: 機械工業
- 出版日期: 2022-06-01
- 定價: $474
- 售價: 7.9 折 $374
- 語言: 簡體中文
- 頁數: 194
- 裝訂: 平裝
- ISBN: 7111706072
- ISBN-13: 9787111706076
-
相關分類:
推薦系統、DeepLearning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$419$398 -
$403程序化廣告 : 個性化精準投放實用手冊
-
$648$616 -
$780$616 -
$780$663 -
$750$593 -
$414$393 -
$599$509 -
$420$378 -
$700$553 -
$750$593 -
$450$356 -
$880$695 -
$454圖深度學習從理論到實踐
-
$534$507 -
$352scikit-learn 機器學習實戰
-
$505Serverless 架構下的 AI 應用開發:入門、實戰與性能優化
-
$607機器學習:從基礎理論到典型算法(原書第2版)
-
$383MATLAB 數學分析
-
$505自然語言處理的 Python 實踐
-
$599$569 -
$912圖神經網絡:基礎、前沿與應用
-
$556互聯網廣告系統架構、算法與智能化
-
$680$530 -
$680$537
相關主題
商品描述
《檢索匹配:深度學習在搜索、廣告、推薦系統中的應用》
主要介紹了深度學習在互聯網核心的三大類業務(搜索、廣告、推薦系統)檢索系統中的應用。
書中詳細講述了檢索匹配的理論、演進歷史,以及在業務中落地一個基於深度學習算法模型的全流程技能,
包括業務問題建模、樣本準備、特徵抽取、模型訓練和預測等,並提供了相應的代碼。
《檢索匹配:深度學習在搜索、廣告、推薦系統中的應用》共11章,分為四大部分。
第1部分(第1~2章)介紹了深度學習的相關理論知識;
第2部分(第3~6章)介紹了業務中如何上線一個深度學習模型,包括標籤拼接、特徵抽取、模型訓練和預測等流程,採用單機實現;
第3部分(第7~9章)介紹了檢索算法基本理論以及演進歷史,
並以業內應用較為廣泛的雙塔模型DSSM為例進行了詳細理論解析和代碼實現;
第4部分(第10~11章)介紹瞭如何將單機訓練模式改造為分佈式訓練模式,以加快模型的訓練速度,從而應對具有海量樣本的業務場景。
《檢索匹配:深度學習在搜索、廣告、推薦系統中的應用》
為讀者提供了全部案例源代碼下載和超過180分鐘的高清學習視頻,讀者可直接掃描二維碼觀看。
《檢索匹配:深度學習在搜索、廣告、推薦系統中的應用》
旨在為讀者介紹深度學習在互聯網業務中落地的方法和實現,
主要面向算法工程師、相關領域研究人員和相關專業院校師生。
目錄大綱
第1部分 理 論 準 備
第1章 深度學習時代/
1.1 深度學習的飛速發展/
1.2 深度學習在互聯網的應用/
1.2.1 搜索/
1.2.2 推薦/
1.2.3 廣告/
1.2.4 通用檢索流程/
1.3 深度學習模型分類/
1.4 模型服務中台/
1.5 分佈式機器學習/
1.6 深度學習軟件框架/
1.7 小結/
第2章 深度學習簡介/
2.1 生物神經網絡/
2.2 人工神經網絡/
2.3 業務問題建模/
2.4 DNN的擬合能力/
2.5 DNN的學習方式/
2.6 CNN與RNN/
2.7 小結/
第2部分 設計與實現
第3章 標籤拼接/
3.1 時間窗口/
3.2 延遲反饋/
3.3 樣本集介紹/
3.3.1 原始樣本/
3.3.2 廣告基本信息表/
3.3.3 用戶基本信息表/
3.3.4 用戶的行為日誌/
3.4小結/
第4章 特徵處理/
4.1 特徵分類/
4.2 特徵體系/
4.3 原始特徵拼接/
4.3.1 拼接方法/
4.3.2 數據集特徵拼接/
4.3.3 代碼/
4.4 明文特徵抽取/
4.4.1 特徵抽取算子/
4.4.2 特徵抽取示例/
4.5 特徵ID化/
4.5.1 特徵詞表生成/
4.5.2 ID化示例/
4.6 代碼說明/
4.7 小結/
第5章 模型構建/
5.1 DNN求解/
5.1.1 數學規劃/
5.1.2 DNN方法/
5.2 模型層/
5.2.1 輸入層/
5.2.2 神經網絡層/
5.2.3 激活函數層/
5.3模型結構/
5.3.1 DLRM模型/
5.3.2 模型搭建/
5.4 損失函數/
5.4.1 MSE損失函數/
5.4.2 CrossEntropy損失函數/
5.5 優化器/
5.5.1 SGD/
5.5.2 Momentum/
5.5.3 Nesterov/
5.5.4 AdaGrad/
5.5.5 Adam/
5.5.6 擴展/
5.6 小結/
第6章 模型訓練與預測/
6.1 模型評估/
6.2 模型訓練/
6.2.1 模型訓練流程/
6.2.2 模型訓練技巧/
6.3 模型預測/
6.4 訓練效果示例/
6.5 模型優化/
6.6 GPU應用/
6.7 小結/
第3部分 高級深度學習模型
第7章 檢索算法理論/
7.1 檢索算法抽象/
7.2 有表示匹配/
7.2.1 標籤表示/
7.2.2 分佈式表示/
7.3 無表示匹配/
7.4 內容理解/
7.4.1 自然語言處理/
7.4.2 計算機視覺/
7.4.3 一點思考/
7.5 用戶理解/
7.6 總結/
第8章 檢索算法演進/
8.1 前深度學習時代/
8.1.1 LR/
8.1.2 決策樹/
8.1.3 協同過濾/
8.1.4 MF/
8.1.5 算法應用/
8.2 深度學習時代/
8.2.1 精排模型演進/
8.2.2 粗排模型演進/
8.2.3 召回模型演進/
8.3 小結/
第9章 DSSM理論與實現/
9.1 DSSM模型/
9.2 DSSM實現/
9.3 線上預測/
9.4 ANN檢索/
9.4.1 基於樹的方法/
9.4.2 基於Hash的方法/
9.4.3 基於圖的方法/
9.4.4 ANN檢索效率比較/
9.5 訓練效果/
9.6 模型優化/
9.7 小結/
第4部分 分佈式機器學習
第10章 計算機系統/
10.1 單機系統/
10.1.1 單機系統物理模型/
10.1.2 單機系統程序編程/
10.2 分佈式系統/
10.2.1 分佈式計算/
10.2.2 分佈式存儲/
10.2.3 分佈式協同通信/
10.2.4 CAP理論/
10.2.5 一點思考/
10.3 分佈式系統示例/
10.4 分佈式編程示例/
10.5 小結/
第11章 分佈式機器學習設計與實現/
11.1 機器學習應用系統設計/
11.2 分佈式機器學習設計/
11.2.1 並行方式/
11.2.2 節點協作方式/
11.2.3 模型更新方式/
11.3 常用的分佈式學習框架/
11.4 PS Lite介紹/
11.4.1 代碼架構/
11.4.2 工作流程/
11.5 分佈式訓練實現/
11.5.1 架構設計/
11.5.2 代碼實現/
11.5.3 程序運行/
11.5.4 模型保存與加載/
11.5.5 效果評估/
11.6 小結/
結語/
附錄/
附錄A 輔助學習資料/