推薦系統全連結設計:原始理解與業務實踐
唐楠烊
- 出版商: 機械工業
- 出版日期: 2024-05-20
- 售價: $594
- 貴賓價: 9.5 折 $564
- 語言: 簡體中文
- 頁數: 238
- 裝訂: 平裝
- ISBN: 7111750969
- ISBN-13: 9787111750963
立即出貨
買這商品的人也買了...
-
$354$336 -
$512Django 實戰 Python Web 典型模塊與項目開發
-
$1,200$948 -
$680$537 -
$540$486 -
$893$848 -
$980$774 -
$658數據科學:基本概念、技術及應用
-
$250矩陣論及其應用
-
$359$341 -
$359$341 -
$414$393 -
$594$564 -
$534$507 -
$774$735 -
$331量子機器學習理論與實戰
-
$774$735 -
$594$564 -
$599$569 -
$714$678 -
$768$730 -
$594$564 -
$419$398
相關主題
商品描述
這是一本指導中高級從業者高品質落地現代推薦系統,
圍繞著現代推薦系統核心技術展開深度解讀的專業工具書,又是一套完整的推薦系統高品質落地解決方案。
本書基於推薦演算法工程師實際工作場景規劃內容,融合了作者在阿里巴巴、
58同城等多家大廠做推薦系統設計優化的經驗,是一本方法與實務兼具的好書。
本書不是針對零基礎從業者,而是以幫助初級演算法工程師向中高階進階為目標。
書中從底層剖析推薦系統在實際業務場景中可能出現的各種問題,直指問題的本質,並依照推薦系統工作流程逐一破解。
本書共包括11章:
第1章 主要介紹推薦系統在各個網路業務場景中的落地情況,包括建構推薦系統可能面臨的問題,
以及電商、影片、電子書、廣告系統、資訊流、拉活促銷等相關推薦系統落地指導。
第2章 介紹現代推薦系統的整體架構,以幫助讀者從宏觀層面整體了解推薦系統。
第3章 對推薦系統所需的資料和特徵處理進行深度剖析,
包括資料的收集、非結構化資料的結構化清洗、連續特徵處理和離散特徵處理等重點內容。
第4章 將推薦系統的線上指標與離線指標,以及AB實驗的設計進行深度講解。
第5章和第6章,主要對機器學習和神經網路的設計和調參進行詳細解讀。
這是本書的重點,也是許多推薦演算法工程師的痛點。
這部分包括XGBoost的重要參數調優、整合學習最DA化推薦效果利用、
DNN網路深度和寬度的影響、激活函數的選擇、優化器選擇、損失函數、過/欠擬合等內容。
第7~9章 分別對召回層、精排層、粗排層進行詳細解讀,包括5種召回方案、4種精排建模方式、2種粗排設計方案,
以及模型可解釋性、近離線計算等重點內容
第10章 主要介紹精排模型的分析方法,重排模型(PRM、生成式重排模型)和混排(混排的原理和強化學習在混排的應用)的原理。
第11章 主要介紹冷啟動鏈路的設計,主要包括新用戶如何冷啟動、新物料如何冷啟動和冷啟動涉及的流量分配演算法。
這是本書的特色內容。
目錄大綱
前言
第1章 什麼是推薦系統
1.1 深度理解推薦系統
1.2 企業在建構推薦系統時會面臨哪些問題
1.34 類主流推薦系統建置點撥
1.3.1 電商是怎麼做推薦系統的
1.3.2 影片網站是怎麼做推薦系統的
1.3.3 推薦系統是怎麼應用在廣告業務的
1.3.4 推薦系統是怎麼應用在資訊流的
1.4 推薦系統怎麼拉活促銷
1.5 架構和模型在推薦系統落地中的作用
第2章 推薦系統架構
2.1 推薦系統架構概述
2.2 召回層概述
2.2.1 非個性化召回
2.2.2 個性化召回
2.3 粗排層概述
2.3.1 雙塔粗排
2.3.2 交叉粗排
2.4 精排層概述
2.5 重排層概述
2.6 冷啟動環節
2.6.1 用戶冷啟動
2.6.2 物料冷啟動
第3章 建構推薦系統的特徵
3.1 怎麼收集數據
3.2 怎麼清洗數據
3.2.1 物料側數據
3.2.2 用戶側數據
3.2.3 內容側數據
3.2.4 交叉數據
3.3 怎麼處理連續特徵
3.3.1 標準化
3.3.2 無監督分箱
3.3.3 有監督分箱
3.4 怎麼處理離散特徵
第4章 為推薦系統選擇評量指標
第5章 機器學習模型調參
第6章 神經網路模型調參
第7章 個人化召回層樣本選擇與模型選擇
第8章 精排層的樣本選擇與模型選擇
第9章 粗排層的樣本選擇與模型選擇
第10章 重排層的設計與實現
第11章 冷啟動環節的設計與實現