最新章節

• 12.8 本章小結
• 12.7 深度學習在推薦系統應用
• 12.6 推薦系統的評價和優化
• 12.5 推薦系統中粗排和精排
• 12.4 推薦系統中NLP的應用
• 12.3 ES在推薦系統中的應用

• 12.8 本章小結 更新時間：2021-01-29 11:56:58
• 12.7 深度學習在推薦系統應用
• 12.6 推薦系統的評價和優化
• 12.5 推薦系統中粗排和精排
• 12.4 推薦系統中NLP的應用
• 12.3 ES在推薦系統中的應用
• 12.2 推薦系統的召回和冷啟動
• 12.1 推薦系統的架構設計
• 第12章 推薦應用實戰：基于廣告平臺的推薦
• 11.8 本章小結
• 11.7 電商搜索系統中的SEM
• 11.6 深度學習在搜索系統中的應用
• 11.5 搜索排序的評價及優化
• 11.4 商品數據排序算法研究
• 11.3 NLP在搜索系統中的應用
• 11.2 ES在搜索系統中的應用
• 11.1 電商搜索系統的架構設計
• 第11章 搜索應用實戰：基于電商的搜索開發
• 10.5 本章小結
• 10.4 搜索引擎工具對比
• 10.3.2 Elasticsearch的核心功能
• 10.3.1 Elasticsearch的核心概念
• 10.3 Elasticsearch簡介
• 10.2.3 Solr的核心功能
• 10.2.2 Solr的核心概念
• 10.2.1 Solr特性
• 10.2 Solr簡介
• 10.1.3 Lucene的搜索過程解析
• 10.1.2 Lucene創建索引過程分析
• 10.1.1 Lucene的由來及現狀
• 10.1 Lucene簡介
• 第10章 搜索引擎工具
• 第四部分 應用
• 9.4 本章小結
• 9.3.3 主觀評估
• 9.3.2 在線評估
• 9.3.1 離線評估
• 9.3 推薦系統的評估實驗方法
• 9.2.3 其他相關指標
• 9.2.2 MAP和MRR
• 9.2.1 RMSE和R方
• 9.2 推薦系統的評價指標
• 9.1 推薦評估的目的
• 第9章 推薦系統的評價
• 8.5 本章小結
• 8.4.2 Deep FM模型
• 8.4.1 Wide & Deep模型
• 8.4 深度學習模型
• 8.3.2 集成算法模型
• 8.3.1 決策樹模型
• 8.3 樹模型
• 8.2.2 FFM模型
• 8.2.1 FM模型
• 8.2 線性模型
• 8.1.3 貝葉斯個性化排序
• 8.1.2 交替最小二乘
• 8.1.1 奇異值分解
• 8.1 矩陣分解
• 第8章 推薦系統的主要算法
• 7.6 本章小結
• 7.5 基于知識圖譜的推薦系統
• 7.4.2 推薦系統的排序過程
• 7.4.1 特征選擇的方法
• 7.4 推薦系統排序
• 7.3.2 基于內容相似的召回
• 7.3.1 基于行為相似的召回
• 7.3 推薦系統的召回策略
• 7.2 推薦系統的冷啟動
• 7.1.4 推薦系統的經典問題
• 7.1.3 推薦引擎是如何工作的
• 7.1.2 組件及功能
• 7.1.1 基本框架
• 7.1 推薦系統的框架及運行
• 第7章 推薦系統框架及原理
• 第三部分 推薦系統的基本原理
• 6.3 本章小結
• 6.2.2 效果評價
• 6.2.1 效率評價
• 6.2 搜索系統的評價體系
• 6.1 搜索系統評價的意義
• 第6章 搜索系統評價
• 5.4 本章小結
• 5.3.3 Transformer
• 5.3.2 DSSM模型
• 5.3.1 DNN模型
• 5.3 搜索和深度學習
• 5.2.2 排序學習示例
• 5.2.1 排序學習
• 5.2 搜索和機器學習
• 5.1.4 其他模型
• 5.1.3 概率檢索模型
• 5.1.2 向量空間模型
• 5.1.1 布爾模型
• 5.1 信息檢索基本模型
• 第5章 搜索系統中的主要算法
• 4.5 本章小結
• 4.4 基于知識圖譜的搜索系統
• 4.3.3 其他文本分析方法
• 4.3.2 意圖理解
• 4.3.1 查詢處理
• 4.3 文本分析
• 4.2.3 存儲空間及分布式設計
• 4.2.2 數據清洗
• 4.2.1 爬蟲
• 4.2 數據收集及預處理
• 4.1.2 搜索引擎是如何工作的
• 4.1.1 基本框架
• 4.1 搜索系統的框架
• 第4章 搜索系統框架及原理
• 第二部分 搜索系統的基本原理
• 3.5 本章小結
• 3.4.2 質量評估
• 3.4.1 知識推理
• 3.4 知識加工
• 3.3.2 實體消歧
• 3.3.1 實體對齊
• 3.3 知識融合
• 3.2.2 關系抽取
• 3.2.1 實體識別
• 3.2 信息抽取
• 3.1.4 知識圖譜的表示與建模
• 3.1.3 知識圖譜的架構
• 3.1.2 知識圖譜的價值
• 3.1.1 什么是知識圖譜
• 3.1 知識圖譜概述
• 第3章 知識圖譜相關理論
• 2.4 本章小結
• 2.3 搜索與推薦的區別
• 2.2.4 推薦系統的分類
• 2.2.3 推薦系統應用場景
• 2.2.2 推薦系統的發展史
• 2.2.1 什么是推薦系統
• 2.2 推薦系統
• 2.1.3 搜索引擎的分類
• 2.1.2 搜索引擎的發展史
• 2.1.1 什么是搜索引擎及搜索系統
• 2.1 搜索系統
• 第2章 搜索系統和推薦系統常識
• 1.4 本章小結
• 1.3.5 信息熵
• 1.3.4 隨機過程與隱馬爾可夫模型
• 1.3.3 最大似然估計
• 1.3.2 梯度
• 1.3.1 導數
• 1.3 機器學習基礎
• 1.2.5 奇異值分解
• 1.2.4 特征向量和特征值
• 1.2.3 張量
• 1.2.2 向量
• 1.2.1 矩陣
• 1.2 線性代數基礎
• 1.1.4 期望、方差、標準差、協方差
• 1.1.3 基礎的概率分布
• 1.1.2 隨機變量
• 1.1.1 概率定義
• 1.1 概率論基礎
• 第1章 概率統計與應用數學基礎知識
• 第一部分 搜索和推薦系統的基礎
• 致謝
• 勘誤和支持
• 如何閱讀本書
• 本書特色
• 讀者對象
• 為什么要寫本書
• 前言
• 推薦序二
• 推薦序一
• 版權頁
• 封面

• 封面
• 版權頁
• 推薦序一
• 推薦序二
• 前言
• 為什么要寫本書
• 讀者對象
• 本書特色
• 如何閱讀本書
• 勘誤和支持
• 致謝
• 第一部分 搜索和推薦系統的基礎
• 第1章 概率統計與應用數學基礎知識
• 1.1 概率論基礎
• 1.1.1 概率定義
• 1.1.2 隨機變量
• 1.1.3 基礎的概率分布
• 1.1.4 期望、方差、標準差、協方差
• 1.2 線性代數基礎
• 1.2.1 矩陣
• 1.2.2 向量
• 1.2.3 張量
• 1.2.4 特征向量和特征值
• 1.2.5 奇異值分解
• 1.3 機器學習基礎
• 1.3.1 導數
• 1.3.2 梯度
• 1.3.3 最大似然估計
• 1.3.4 隨機過程與隱馬爾可夫模型
• 1.3.5 信息熵
• 1.4 本章小結
• 第2章 搜索系統和推薦系統常識
• 2.1 搜索系統
• 2.1.1 什么是搜索引擎及搜索系統
• 2.1.2 搜索引擎的發展史
• 2.1.3 搜索引擎的分類
• 2.2 推薦系統
• 2.2.1 什么是推薦系統
• 2.2.2 推薦系統的發展史
• 2.2.3 推薦系統應用場景
• 2.2.4 推薦系統的分類
• 2.3 搜索與推薦的區別
• 2.4 本章小結
• 第3章 知識圖譜相關理論
• 3.1 知識圖譜概述
• 3.1.1 什么是知識圖譜
• 3.1.2 知識圖譜的價值
• 3.1.3 知識圖譜的架構
• 3.1.4 知識圖譜的表示與建模
• 3.2 信息抽取
• 3.2.1 實體識別
• 3.2.2 關系抽取
• 3.3 知識融合
• 3.3.1 實體對齊
• 3.3.2 實體消歧
• 3.4 知識加工
• 3.4.1 知識推理
• 3.4.2 質量評估
• 3.5 本章小結
• 第二部分 搜索系統的基本原理
• 第4章 搜索系統框架及原理
• 4.1 搜索系統的框架
• 4.1.1 基本框架
• 4.1.2 搜索引擎是如何工作的
• 4.2 數據收集及預處理
• 4.2.1 爬蟲
• 4.2.2 數據清洗
• 4.2.3 存儲空間及分布式設計
• 4.3 文本分析
• 4.3.1 查詢處理
• 4.3.2 意圖理解
• 4.3.3 其他文本分析方法
• 4.4 基于知識圖譜的搜索系統
• 4.5 本章小結
• 第5章 搜索系統中的主要算法
• 5.1 信息檢索基本模型
• 5.1.1 布爾模型
• 5.1.2 向量空間模型
• 5.1.3 概率檢索模型
• 5.1.4 其他模型
• 5.2 搜索和機器學習
• 5.2.1 排序學習
• 5.2.2 排序學習示例
• 5.3 搜索和深度學習
• 5.3.1 DNN模型
• 5.3.2 DSSM模型
• 5.3.3 Transformer
• 5.4 本章小結
• 第6章 搜索系統評價
• 6.1 搜索系統評價的意義
• 6.2 搜索系統的評價體系
• 6.2.1 效率評價
• 6.2.2 效果評價
• 6.3 本章小結
• 第三部分 推薦系統的基本原理
• 第7章 推薦系統框架及原理
• 7.1 推薦系統的框架及運行
• 7.1.1 基本框架
• 7.1.2 組件及功能
• 7.1.3 推薦引擎是如何工作的
• 7.1.4 推薦系統的經典問題
• 7.2 推薦系統的冷啟動
• 7.3 推薦系統的召回策略
• 7.3.1 基于行為相似的召回
• 7.3.2 基于內容相似的召回
• 7.4 推薦系統排序
• 7.4.1 特征選擇的方法
• 7.4.2 推薦系統的排序過程
• 7.5 基于知識圖譜的推薦系統
• 7.6 本章小結
• 第8章 推薦系統的主要算法
• 8.1 矩陣分解
• 8.1.1 奇異值分解
• 8.1.2 交替最小二乘
• 8.1.3 貝葉斯個性化排序
• 8.2 線性模型
• 8.2.1 FM模型
• 8.2.2 FFM模型
• 8.3 樹模型
• 8.3.1 決策樹模型
• 8.3.2 集成算法模型
• 8.4 深度學習模型
• 8.4.1 Wide & Deep模型
• 8.4.2 Deep FM模型
• 8.5 本章小結
• 第9章 推薦系統的評價
• 9.1 推薦評估的目的
• 9.2 推薦系統的評價指標
• 9.2.1 RMSE和R方
• 9.2.2 MAP和MRR
• 9.2.3 其他相關指標
• 9.3 推薦系統的評估實驗方法
• 9.3.1 離線評估
• 9.3.2 在線評估
• 9.3.3 主觀評估
• 9.4 本章小結
• 第四部分 應用
• 第10章 搜索引擎工具
• 10.1 Lucene簡介
• 10.1.1 Lucene的由來及現狀
• 10.1.2 Lucene創建索引過程分析
• 10.1.3 Lucene的搜索過程解析
• 10.2 Solr簡介
• 10.2.1 Solr特性
• 10.2.2 Solr的核心概念
• 10.2.3 Solr的核心功能
• 10.3 Elasticsearch簡介
• 10.3.1 Elasticsearch的核心概念
• 10.3.2 Elasticsearch的核心功能
• 10.4 搜索引擎工具對比
• 10.5 本章小結
• 第11章 搜索應用實戰：基于電商的搜索開發
• 11.1 電商搜索系統的架構設計
• 11.2 ES在搜索系統中的應用
• 11.3 NLP在搜索系統中的應用
• 11.4 商品數據排序算法研究
• 11.5 搜索排序的評價及優化
• 11.6 深度學習在搜索系統中的應用
• 11.7 電商搜索系統中的SEM
• 11.8 本章小結
• 第12章 推薦應用實戰：基于廣告平臺的推薦
• 12.1 推薦系統的架構設計
• 12.2 推薦系統的召回和冷啟動
• 12.3 ES在推薦系統中的應用
• 12.4 推薦系統中NLP的應用
• 12.5 推薦系統中粗排和精排
• 12.6 推薦系統的評價和優化
• 12.7 深度學習在推薦系統應用
• 12.8 本章小結 更新時間：2021-01-29 11:56:58