5.0
用户推荐指数
互联网 类型
9.3 豆瓣评分
可以朗读 语音朗读
177千字 字数
2020-03-01 发行日期
展开全部

主编推荐语

一线大厂工程师倾囊相授，教你从零开始构建前沿、实用的推荐系统知识体系，揭秘巨头公司推荐系统背后的逻辑。

内容简介

这是一本介绍推荐系统前沿技术的技术书。

本书前几章着重介绍深度学习排序模型的技术演化趋势，然后依次介绍推荐系统其他模块的技术细节和工程实现，通过业界前沿的推荐系统实例将所有知识融会贯通。

本书着重讨论的是推荐系统相关的经典和前沿技术内容，尤其是深度学习在推荐系统业界的应用。

目录

  • 版权信息
  • 内容简介
  • 推荐序
  • 前言 推荐系统的深度学习时代
  • 第1章 互联网的增长引擎——推荐系统
  • 1.1 为什么推荐系统是互联网的增长引擎
  • 1.1.1 推荐系统的作用和意义
  • 1.1.2 推荐系统与YouTube的观看时长增长
  • 1.1.3 推荐系统与电商网站的收入增长
  • 1.2 推荐系统的架构
  • 1.2.1 推荐系统的逻辑框架
  • 1.2.2 推荐系统的技术架构
  • 1.2.3 推荐系统的数据部分
  • 1.2.4 推荐系统的模型部分
  • 1.2.5 深度学习对推荐系统的革命性贡献
  • 1.2.6 把握整体，补充细节
  • 1.3 本书的整体结构
  • 第2章 前深度学习时代——推荐系统的进化之路
  • 2.1 传统推荐模型的演化关系图
  • 2.2 协同过滤——经典的推荐算法
  • 2.2.1 什么是协同过滤
  • 2.2.2 用户相似度计算
  • 2.2.3 最终结果的排序
  • 2.2.4 ItemCF
  • 2.2.5 UserCF与ItemCF的应用场景
  • 2.2.6 协同过滤的下一步发展
  • 2.3 矩阵分解算法——协同过滤的进化
  • 2.3.1 矩阵分解算法的原理
  • 2.3.2 矩阵分解的求解过程
  • 2.3.3 消除用户和物品打分的偏差
  • 2.3.4 矩阵分解的优点和局限性
  • 2.4 逻辑回归——融合多种特征的推荐模型
  • 2.4.1 基于逻辑回归模型的推荐流程
  • 2.4.2 逻辑回归模型的数学形式
  • 2.4.3 逻辑回归模型的训练方法
  • 2.4.4 逻辑回归模型的优势
  • 2.4.5 逻辑回归模型的局限性
  • 2.5 从FM到FFM——自动特征交叉的解决方案
  • 2.5.1 POLY2模型——特征交叉的开始
  • 2.5.2 FM模型——隐向量特征交叉
  • 2.5.3 FFM模型——引入特征域的概念
  • 2.5.4 从POLY2到FFM的模型演化过程
  • 2.6 GBDT+LR——特征工程模型化的开端
  • 2.6.1 GBDT+LR组合模型的结构
  • 2.6.2 GBDT进行特征转换的过程
  • 2.6.3 GBDT+LR组合模型开启的特征工程新趋势
  • 2.7 LS-PLM——阿里巴巴曾经的主流推荐模型
  • 2.7.1 LS-PLM模型的主要结构
  • 2.7.2 LS-PLM模型的优点
  • 2.7.3 从深度学习的角度重新审视LS-PLM模型
  • 2.8 总结——深度学习推荐系统的前夜
  • 第3章 浪潮之巅——深度学习在推荐系统中的应用
  • 3.1 深度学习推荐模型的演化关系图
  • 3.2 AutoRec——单隐层神经网络推荐模型
  • 3.2.1 AutoRec模型的基本原理
  • 3.2.2 AutoRec模型的结构
  • 3.2.3 基于AutoRec模型的推荐过程
  • 3.2.4 AutoRec模型的特点和局限性
  • 3.3 Deep Crossing模型——经典的深度学习架构
  • 3.3.1 Deep Crossing模型的应用场景
  • 3.3.2 Deep Crossing模型的网络结构
  • 3.3.3 Deep Crossing模型对特征交叉方法的革命
  • 3.4 NeuralCF模型——CF与深度学习的结合
  • 3.4.1 从深度学习的视角重新审视矩阵分解模型
  • 3.4.2 NeuralCF模型的结构
  • 3.4.3 NeuralCF模型的优势和局限性
  • 3.5 PNN模型——加强特征交叉能力
  • 3.5.1 PNN模型的网络架构
  • 3.5.2 Product层的多种特征交叉方式
  • 3.5.3 PNN模型的优势和局限性
  • 3.6 Wide＆Deep模型——记忆能力和泛化能力的综合
  • 3.6.1 模型的记忆能力与泛化能力
  • 3.6.2 Wide＆Deep模型的结构
  • 3.6.3 Wide＆Deep模型的进化——Deep＆Cross模型
  • 3.6.4 Wide＆Deep模型的影响力
  • 3.7 FM与深度学习模型的结合
  • 3.7.1 FNN——用FM的隐向量完成Embedding层初始化
  • 3.7.2 DeepFM——用FM代替Wide部分
  • 3.7.3 NFM——FM的神经网络化尝试
  • 3.7.4 基于FM的深度学习模型的优点和局限性
  • 3.8 注意力机制在推荐模型中的应用
  • 3.8.1 AFM——引入注意力机制的FM
  • 3.8.2 DIN——引入注意力机制的深度学习网络
  • 3.8.3 注意力机制对推荐系统的启发
  • 3.9 DIEN——序列模型与推荐系统的结合
  • 3.9.1 DIEN的“进化”动机
  • 3.9.2 DIEN模型的架构
  • 3.9.3 兴趣抽取层的结构
  • 3.9.4 兴趣进化层的结构
  • 3.9.5 序列模型对推荐系统的启发
  • 3.10 强化学习与推荐系统的结合
  • 3.10.1 深度强化学习推荐系统框架
  • 3.10.2 深度强化学习推荐模型
  • 3.10.3 DRN的学习过程
  • 3.10.4 DRN的在线学习方法——竞争梯度下降算法
  • 3.10.5 强化学习对推荐系统的启发
  • 3.11 总结——推荐系统的深度学习时代
  • 第4章 Embedding技术在推荐系统中的应用
  • 4.1 什么是Embedding
  • 4.1.1 词向量的例子
  • 4.1.2 Embedding技术在其他领域的扩展
  • 4.1.3 Embedding技术对于深度学习推荐系统的重要性
  • 4.2 Word2vec——经典的Embedding方法
  • 4.2.1 什么是Word2vec
  • 4.2.2 Word2vec模型的训练过程
  • 4.2.3 Word2vec的“负采样”训练方法
  • 4.2.4 Word2vec对Embedding技术的奠基性意义
  • 4.3 Item2vec——Word2vec在推荐系统领域的推广
  • 4.3.1 Item2vec的基本原理
  • 4.3.2 “广义”的Item2vec
  • 4.3.3 Item2vec方法的特点和局限性
  • 4.4 Graph Embedding——引入更多结构信息的图嵌入技术
  • 4.4.1 DeepWalk——基础的Graph Embedding方法
  • 4.4.2 Node2vec——同质性和结构性的权衡
  • 4.4.3 EGES——阿里巴巴的综合性Graph Embedding方法
  • 4.5 Embedding与深度学习推荐系统的结合
  • 4.5.1 深度学习网络中的Embedding层
  • 4.5.2 Embedding的预训练方法
  • 4.5.3 Embedding作为推荐系统召回层的方法
  • 4.6 局部敏感哈希——让Embedding插上翅膀的快速搜索方法
  • 4.6.1 “快速”Embedding最近邻搜索
  • 4.6.2 局部敏感哈希的基本原理
  • 4.6.3 局部敏感哈希多桶策略
  • 4.7 总结——深度学习推荐系统的核心操作
  • 第5章 多角度审视推荐系统
  • 5.1 推荐系统的特征工程
  • 5.1.1 构建推荐系统特征工程的原则
  • 5.1.2 推荐系统中的常用特征
  • 5.1.3 常用的特征处理方法
  • 5.1.4 特征工程与业务理解
  • 5.2 推荐系统召回层的主要策略
  • 5.2.1 召回层和排序层的功能特点
  • 5.2.2 多路召回策略
  • 5.2.3 基于Embedding的召回方法
  • 5.3 推荐系统的实时性
  • 5.3.1 为什么说推荐系统的实时性是重要的
  • 5.3.2 推荐系统“特征”的实时性
  • 5.3.3 推荐系统“模型”的实时性
  • 5.3.4 用“木桶理论”看待推荐系统的迭代升级
  • 5.4 如何合理设定推荐系统中的优化目标
  • 5.4.1 YouTube以观看时长为优化目标的合理性
  • 5.4.2 模型优化和应用场景的统一性
  • 5.4.3 优化目标是和其他团队的接口性工作
  • 5.5 推荐系统中比模型结构更重要的是什么
  • 5.5.1 有解决推荐问题的“银弹”吗
  • 5.5.2 Netflix对用户行为的观察
  • 5.5.3 观察用户行为，在模型中加入有价值的用户信息
  • 5.5.4 DIN模型的改进动机
  • 5.5.5 算法工程师不能只是一个“炼金术士”
  • 5.6 冷启动的解决办法
  • 5.6.1 基于规则的冷启动过程
  • 5.6.2 丰富冷启动过程中可获得的用户和物品特征
  • 5.6.3 利用主动学习、迁移学习和“探索与利用”机制
  • 5.6.4 “巧妇难为无米之炊”的困境
  • 5.7 探索与利用
  • 5.7.1 传统的探索与利用方法
  • 5.7.2 个性化的探索与利用方法
  • 5.7.3 基于模型的探索与利用方法
  • 5.7.4 “探索与利用”机制在推荐系统中的应用
  • 第6章 深度学习推荐系统的工程实现
  • 6.1 推荐系统的数据流
  • 6.1.1 批处理大数据架构
  • 6.1.2 流计算大数据架构
  • 6.1.3 Lambda架构
  • 6.1.4 Kappa架构
  • 6.1.5 大数据平台与推荐系统的整合
  • 6.2 推荐模型离线训练之Spark MLlib
  • 6.2.1 Spark的分布式计算原理
  • 6.2.2 Spark MLlib的模型并行训练原理
  • 6.2.3 Spark MLlib并行训练的局限性
  • 6.3 推荐模型离线训练之Parameter Server
  • 6.3.1 Parameter Server的分布式训练原理
  • 6.3.2 一致性与并行效率之间的取舍
  • 6.3.3 多schmerver节点的协同和效率问题
  • 6.3.4 Parameter Server技术要点总结
  • 6.4 推荐模型离线训练之TensorFlow
  • 6.4.1 TensorFlow的基本原理
  • 6.4.2 TensorFlow基于任务关系图的并行训练过程
  • 6.4.3 TensorFlow的单机训练与分布式训练模式
  • 6.4.4 TensorFlow技术要点总结
  • 6.5 深度学习推荐模型的上线部署
  • 6.5.1 预存推荐结果或Embedding结果
  • 6.5.2 自研模型线上服务平台
  • 6.5.3 预训练Embedding+轻量级线上模型
  • 6.5.4 利用PMML转换并部署模型
  • 6.5.5 TensorFlow Serving
  • 6.5.6 灵活选择模型服务方法
  • 6.6 工程与理论之间的权衡
  • 6.6.1 工程师职责的本质
  • 6.6.2 Redis容量和模型上线方式之间的权衡
  • 6.6.3 研发周期限制和技术选型的权衡
  • 6.6.4 硬件平台环境和模型结构间的权衡
  • 6.6.5 处理好整体和局部的关系
  • 第7章 推荐系统的评估
  • 7.1 离线评估方法与基本评价指标
  • 7.1.1 离线评估的主要方法
  • 7.1.2 离线评估的指标
  • 7.2 直接评估推荐序列的离线指标
  • 7.2.1 P-R曲线
  • 7.2.2 ROC曲线
  • 7.2.3 平均精度均值
  • 7.2.4 合理选择评估指标
  • 7.3 更接近线上环境的离线评估方法——Replay
  • 7.3.1 模型评估的逻辑闭环
  • 7.3.2 动态离线评估方法
  • 7.3.3 Netflix的Replay评估方法实践
  • 7.4 A/B测试与线上评估指标
  • 7.4.1 什么是A/B测试
  • 7.4.2 A/B测试的“分桶”原则
  • 7.4.3 线上A/B测试的评估指标
  • 7.5 快速线上评估方法——Interleaving
  • 7.5.1 传统A/B测试存在的统计学问题
  • 7.5.2 Interleaving方法的实现
  • 7.5.3 Interleaving方法与传统A/B测试的灵敏度比较
  • 7.5.4 Interleaving方法指标与A/B测试指标的相关性
  • 7.5.5 Interleaving方法的优点与缺点
  • 7.6 推荐系统的评估体系
  • 第8章 深度学习推荐系统的前沿实践
  • 8.1 Facebook的深度学习推荐系统
  • 8.1.1 推荐系统应用场景
  • 8.1.2 以GBDT+LR组合模型为基础的CTR预估模型
  • 8.1.3 实时数据流架构
  • 8.1.4 降采样和模型校正
  • 8.1.5 Facebook GBDT+LR组合模型的工程实践
  • 8.1.6 Facebook的深度学习模型DLRM
  • 8.1.7 DLRM模型并行训练方法
  • 8.1.8 DLRM模型的效果
  • 8.1.9 Facebook深度学习推荐系统总结
  • 8.2 Airbnb基于Embedding的实时搜索推荐系统
  • 8.2.1 推荐系统应用场景
  • 8.2.2 基于短期兴趣的房源Embedding方法
  • 8.2.3 基于长期兴趣的用户Embedding和房源Embedding
  • 8.2.4 Airbnb搜索词的Embedding
  • 8.2.5 Airbnb的实时搜索排序模型及其特征工程
  • 8.2.6 Airbnb实时搜索推荐系统总结
  • 8.3 YouTube深度学习视频推荐系统
  • 8.3.1 推荐系统应用场景
  • 8.3.2 YouTube推荐系统架构
  • 8.3.3 候选集生成模型
  • 8.3.4 候选集生成模型独特的线上服务方法
  • 8.3.5 排序模型
  • 8.3.6 训练和测试样本的处理
  • 8.3.7 如何处理用户对新视频的偏好
  • 8.3.8 YouTube深度学习视频推荐系统总结
  • 8.4 阿里巴巴深度学习推荐系统的进化
  • 8.4.1 推荐系统应用场景
  • 8.4.2 阿里巴巴的推荐模型体系
  • 8.4.3 阿里巴巴深度学习推荐模型的进化过程
  • 8.4.4 模型服务模块的技术架构
  • 8.4.5 阿里巴巴推荐技术架构总结
  • 第9章 构建属于你的推荐系统知识框架
  • 9.1 推荐系统的整体知识架构图
  • 9.2 推荐模型发展的时间线
  • 9.3 如何成为一名优秀的推荐工程师
  • 9.3.1 推荐工程师的4项能力
  • 9.3.2 能力的深度和广度
  • 9.3.3 推荐工程师的能力总结
  • 后记
展开全部

评分及书评

5.0
3个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。