舉報 
會員
這就是推薦系統(tǒng)：核心技術(shù)原理與企業(yè)應(yīng)用
胡瀾濤等 著
更新時間：2023-12-12 19:10:50
開會員，本書免費讀 >
最新章節(jié)：
封底
推薦系統(tǒng)作為近年來非常熱門的AI技術(shù)落地場景，已廣泛應(yīng)用于各行業(yè)的互聯(lián)網(wǎng)應(yīng)用，從衣食住行到娛樂消費，以及無處不在的廣告，背后都依賴推薦系統(tǒng)的決策。本書貼合工業(yè)級推薦系統(tǒng)，以推薦系統(tǒng)的整體技術(shù)框架為切入點，深入剖析推薦系統(tǒng)中的內(nèi)容理解、用戶畫像、召回、排序、重排等核心模塊，介紹每個模塊的核心技術(shù)和業(yè)界應(yīng)用，并展開介紹了推薦冷啟動、推薦偏置與消偏等常見問題和解決方案。此外，還對當前推薦系統(tǒng)領(lǐng)域的熱門前沿技術(shù)進行了介紹，包括強化學(xué)習(xí)、因果推斷、端上智能等。
最新章節(jié)
書友吧
上架時間：2023-12-12 18:42:19
出版社：電子工業(yè)出版社
上海閱文信息技術(shù)有限公司已經(jīng)獲得合法授權(quán)，并進行制作發(fā)行
- 封底 更新時間：2023-12-12 19:10:50
- 作者簡介
- 反侵權(quán)盜版聲明
- 后記——ChatGPT時代的推薦系統(tǒng)
- 總結(jié)
- 10.5 增益模型
- 10.4 動態(tài)算力分配
- 10.3 端上智能
- 10.2 因果推斷
- 10.1 強化學(xué)習(xí)
- 第10章 推薦系統(tǒng)中的前沿技術(shù)
- 總結(jié)
- 9.5 AB實驗并不是萬能的
- 9.4.3 AB實驗的流量大小
- 9.4.2 AB實驗的假設(shè)檢驗
- 9.4.1 推薦系統(tǒng)常見的AB指標
- 9.4 AB實驗效果評估
- 9.3 AB實驗分流機制&實驗類型
- 9.2 AB實驗平臺框架
- 9.1 什么是AB實驗
- 第9章 系統(tǒng)進化的利器——AB實驗平臺
- 總結(jié)
- 8.4.3 常用的消偏技術(shù)和策略
- 8.4.2 推薦系統(tǒng)常見偏差
- 8.4.1 推薦偏差的緣由
- 8.4 推薦中的偏差與消偏策略
- 8.3.3 在線學(xué)習(xí)整體機制
- 8.3.2 推薦模型實效性
- 8.3.1 推薦數(shù)據(jù)實效性
- 8.3 推薦系統(tǒng)實效性
- 8.2.4 其他樣本優(yōu)化技巧
- 8.2.3 樣本遷移
- 8.2.2 負樣本優(yōu)化
- 8.2.1 如何提取有效樣本
- 8.2 樣本加工藝術(shù)
- 8.1.4 特征工程的流程和方法
- 8.1.3 工程視角下的特征工程開發(fā)
- 8.1.2 特征挖掘維度
- 8.1.1 特征的理解和分類
- 8.1 特征工程
- 第8章 推薦系統(tǒng)中的魔術(shù)手
- 總結(jié)
- 7.4.3 新物品冷啟動流量分配機制
- 7.4.2 新物品冷啟動排序策略
- 7.4.1 新物品冷啟動召回策略
- 7.4 新物品分發(fā)冷啟動
- 7.3.3 新用戶重排策略
- 7.3.2 新用戶排序模型
- 7.3.1 新用戶召回策略
- 7.3 新用戶推薦冷啟動
- 7.2 冷啟動一般解決思路
- 7.1 推薦冷啟動的定義與挑戰(zhàn)
- 第7章 如若初見冷啟動
- 總結(jié)
- 6.4 重排中的業(yè)務(wù)規(guī)則
- 6.3.4 多樣性模型策略
- 6.3.3 規(guī)則多樣性打散
- 6.3.2 多樣性評估指標
- 6.3.1 重排多樣性的出發(fā)點
- 6.3 重排多樣性策略
- 6.2.3 基于強化學(xué)習(xí)的重排模型
- 6.2.2 序列重排模型
- 6.2.1 重排模型建模的出發(fā)點
- 6.2 重排模型
- 6.1 重排序的必要性和作用
- 第6章 權(quán)衡再三重排序
- 總結(jié)
- 5.5.4 離線和線上效果的一致性問題
- 5.5.3 常用的系統(tǒng)評估指標
- 5.5.2 常用的效果評估指標
- 5.5.1 排序評估的兩個階段
- 5.5 推薦系統(tǒng)排序階段的評估
- 5.4.3 多目標融合尋參
- 5.4.2 多目標排序建模方法概覽
- 5.4.1 多目標排序建模的意義和挑戰(zhàn)
- 5.4 多目標排序建模
- 5.3.5 粗排效果的評價
- 5.3.4 緩解樣本選擇偏差
- 5.3.3 使用知識蒸餾增強粗排與精排的一致性
- 5.3.2 粗排模型架構(gòu)的演變
- 5.3.1 粗排定位與技術(shù)路線選擇
- 5.3 推薦系統(tǒng)粗排階段及其發(fā)展歷程
- 5.2.5 超大規(guī)模Embedding在實際中的應(yīng)用
- 5.2.4 用戶歷史行為建模在深度排序模型中的應(yīng)用
- 5.2.3 特征組合在深度排序模型中的應(yīng)用
- 5.2.2 Embedding的產(chǎn)生過程
- 5.2.1 什么是Embedding
- 5.2 從Embedding看排序模型的演進
- 5.1.2 排序環(huán)節(jié)的優(yōu)化方向
- 5.1.1 排序環(huán)節(jié)的意義
- 5.1 排序環(huán)節(jié)的意義和優(yōu)化方向
- 第5章 投你所好的排序環(huán)節(jié)
- 總結(jié)
- 4.7.5 長尾覆蓋評估
- 4.7.4 CG、DCG、NDCG——信息增益維度的評估指標
- 4.7.3 HR、ARHR——TopN推薦評價指標
- 4.7.2 召回率、精確率、F1值——基準評估指標
- 4.7.1 召回評估方法概述
- 4.7 召回質(zhì)量評估方法
- 4.6.2 對比學(xué)習(xí)——樣本的魔法
- 4.6.1 TDM——模型與索引結(jié)合的藝術(shù)
- 4.6 前瞻性召回策略與模型
- 4.5.5 MetaPath2Vec——異構(gòu)圖Embedding方法
- 4.5.4 PinSAGE——GCN在推薦系統(tǒng)領(lǐng)域的工業(yè)化應(yīng)用
- 4.5.3 Node2Vec——DeepWalk更進一步
- 4.5.2 DeepWalk——經(jīng)典圖Embedding方法
- 4.5.1 圖Embedding技術(shù)
- 4.5 圖Embedding在召回中的應(yīng)用
- 4.4.4 超長序列召回——建模用戶全期興趣
- 4.4.3 MIND及其衍生——多興趣召回模型
- 4.4.2 BERT4Rec與BST——NLP技術(shù)與用戶行為序列結(jié)合
- 4.4.1 SASRec——經(jīng)典行為序列召回模型
- 4.4 基于用戶行為序列的召回
- 4.3.3 經(jīng)典向量化召回模型
- 4.3.2 從KNN到ANN
- 4.3.1 向量化模型召回原理
- 4.3 向量化模型召回
- 4.2.3 探索類召回
- 4.2.2 經(jīng)典協(xié)同過濾召回
- 4.2.1 基于內(nèi)容的召回
- 4.2 傳統(tǒng)召回策略
- 4.1.3 主要的召回策略與算法
- 4.1.2 召回與排序的區(qū)別
- 4.1.1 召回的重要性
- 4.1 召回的基本邏輯和方法論
- 第4章 包羅萬象的召回環(huán)節(jié)
- 總結(jié)
- 3.4 用戶畫像實踐案例
- 3.3.5 模型類標簽
- 3.3.4 統(tǒng)計類標簽
- 3.3.3 規(guī)則類標簽
- 3.3.2 標簽計算整體流程
- 3.3.1 標簽的基礎(chǔ)數(shù)據(jù)
- 3.3 用戶畫像標簽開發(fā)
- 3.2.6 其他常用維度標簽
- 3.2.5 用戶分層標簽
- 3.2.4 用戶興趣標簽
- 3.2.3 用戶行為屬性標簽
- 3.2.2 用戶社交屬性標簽
- 3.2.1 用戶基礎(chǔ)屬性標簽
- 3.2 用戶畫像標簽體系
- 3.1.3 用戶畫像系統(tǒng)架構(gòu)
- 3.1.2 用戶畫像的作用
- 3.1.1 什么是用戶畫像
- 3.1 初識用戶畫像
- 第3章 比你更了解自己的用戶畫像
- 總結(jié)
- 2.4 內(nèi)容理解在推薦系統(tǒng)中的應(yīng)用
- 2.3.3 視頻多模態(tài)內(nèi)容Embedding
- 2.3.2 視頻分類
- 2.3.1 圖像分類
- 2.3 多模態(tài)內(nèi)容理解
- 2.2.5 知識圖譜
- 2.2.4 文本Embedding
- 2.2.3 文本聚類
- 2.2.2 文本標簽提取
- 2.2.1 文本分類
- 2.2 文本內(nèi)容理解
- 2.1.3 標簽提取或生成
- 2.1.2 標簽體系設(shè)計和建設(shè)
- 2.1.1 標簽體系的作用
- 2.1 內(nèi)容標簽體系建設(shè)
- 第2章 多模態(tài)時代的內(nèi)容理解
- 總結(jié)
- 1.2.6 推薦系統(tǒng)質(zhì)量評估體系
- 1.2.5 重排：從業(yè)務(wù)角度進行內(nèi)容調(diào)整
- 1.2.4 排序：為用戶精選內(nèi)容
- 1.2.3 召回：為用戶初篩內(nèi)容
- 1.2.2 用戶畫像：理解和刻畫用戶
- 1.2.1 內(nèi)容理解：理解和刻畫推薦內(nèi)容
- 1.2 推薦系統(tǒng)的核心模塊
- 1.1.4 推薦系統(tǒng)架構(gòu)概覽
- 1.1.3 推薦系統(tǒng)的天時地利
- 1.1.2 推薦系統(tǒng)的價值
- 1.1.1 推薦系統(tǒng)的定義
- 1.1 推薦系統(tǒng)大時代
- 第1章 初識推薦系統(tǒng)
- 前言
- 推薦序
- 內(nèi)容簡介
- 作者簡介
- 版權(quán)信息
- 封面
- 封面
- 版權(quán)信息
- 作者簡介
- 內(nèi)容簡介
- 推薦序
- 前言
- 第1章 初識推薦系統(tǒng)
- 1.1 推薦系統(tǒng)大時代
- 1.1.1 推薦系統(tǒng)的定義
- 1.1.2 推薦系統(tǒng)的價值
- 1.1.3 推薦系統(tǒng)的天時地利
- 1.1.4 推薦系統(tǒng)架構(gòu)概覽
- 1.2 推薦系統(tǒng)的核心模塊
- 1.2.1 內(nèi)容理解：理解和刻畫推薦內(nèi)容
- 1.2.2 用戶畫像：理解和刻畫用戶
- 1.2.3 召回：為用戶初篩內(nèi)容
- 1.2.4 排序：為用戶精選內(nèi)容
- 1.2.5 重排：從業(yè)務(wù)角度進行內(nèi)容調(diào)整
- 1.2.6 推薦系統(tǒng)質(zhì)量評估體系
- 總結(jié)
- 第2章 多模態(tài)時代的內(nèi)容理解
- 2.1 內(nèi)容標簽體系建設(shè)
- 2.1.1 標簽體系的作用
- 2.1.2 標簽體系設(shè)計和建設(shè)
- 2.1.3 標簽提取或生成
- 2.2 文本內(nèi)容理解
- 2.2.1 文本分類
- 2.2.2 文本標簽提取
- 2.2.3 文本聚類
- 2.2.4 文本Embedding
- 2.2.5 知識圖譜
- 2.3 多模態(tài)內(nèi)容理解
- 2.3.1 圖像分類
- 2.3.2 視頻分類
- 2.3.3 視頻多模態(tài)內(nèi)容Embedding
- 2.4 內(nèi)容理解在推薦系統(tǒng)中的應(yīng)用
- 總結(jié)
- 第3章 比你更了解自己的用戶畫像
- 3.1 初識用戶畫像
- 3.1.1 什么是用戶畫像
- 3.1.2 用戶畫像的作用
- 3.1.3 用戶畫像系統(tǒng)架構(gòu)
- 3.2 用戶畫像標簽體系
- 3.2.1 用戶基礎(chǔ)屬性標簽
- 3.2.2 用戶社交屬性標簽
- 3.2.3 用戶行為屬性標簽
- 3.2.4 用戶興趣標簽
- 3.2.5 用戶分層標簽
- 3.2.6 其他常用維度標簽
- 3.3 用戶畫像標簽開發(fā)
- 3.3.1 標簽的基礎(chǔ)數(shù)據(jù)
- 3.3.2 標簽計算整體流程
- 3.3.3 規(guī)則類標簽
- 3.3.4 統(tǒng)計類標簽
- 3.3.5 模型類標簽
- 3.4 用戶畫像實踐案例
- 總結(jié)
- 第4章 包羅萬象的召回環(huán)節(jié)
- 4.1 召回的基本邏輯和方法論
- 4.1.1 召回的重要性
- 4.1.2 召回與排序的區(qū)別
- 4.1.3 主要的召回策略與算法
- 4.2 傳統(tǒng)召回策略
- 4.2.1 基于內(nèi)容的召回
- 4.2.2 經(jīng)典協(xié)同過濾召回
- 4.2.3 探索類召回
- 4.3 向量化模型召回
- 4.3.1 向量化模型召回原理
- 4.3.2 從KNN到ANN
- 4.3.3 經(jīng)典向量化召回模型
- 4.4 基于用戶行為序列的召回
- 4.4.1 SASRec——經(jīng)典行為序列召回模型
- 4.4.2 BERT4Rec與BST——NLP技術(shù)與用戶行為序列結(jié)合
- 4.4.3 MIND及其衍生——多興趣召回模型
- 4.4.4 超長序列召回——建模用戶全期興趣
- 4.5 圖Embedding在召回中的應(yīng)用
- 4.5.1 圖Embedding技術(shù)
- 4.5.2 DeepWalk——經(jīng)典圖Embedding方法
- 4.5.3 Node2Vec——DeepWalk更進一步
- 4.5.4 PinSAGE——GCN在推薦系統(tǒng)領(lǐng)域的工業(yè)化應(yīng)用
- 4.5.5 MetaPath2Vec——異構(gòu)圖Embedding方法
- 4.6 前瞻性召回策略與模型
- 4.6.1 TDM——模型與索引結(jié)合的藝術(shù)
- 4.6.2 對比學(xué)習(xí)——樣本的魔法
- 4.7 召回質(zhì)量評估方法
- 4.7.1 召回評估方法概述
- 4.7.2 召回率、精確率、F1值——基準評估指標
- 4.7.3 HR、ARHR——TopN推薦評價指標
- 4.7.4 CG、DCG、NDCG——信息增益維度的評估指標
- 4.7.5 長尾覆蓋評估
- 總結(jié)
- 第5章 投你所好的排序環(huán)節(jié)
- 5.1 排序環(huán)節(jié)的意義和優(yōu)化方向
- 5.1.1 排序環(huán)節(jié)的意義
- 5.1.2 排序環(huán)節(jié)的優(yōu)化方向
- 5.2 從Embedding看排序模型的演進
- 5.2.1 什么是Embedding
- 5.2.2 Embedding的產(chǎn)生過程
- 5.2.3 特征組合在深度排序模型中的應(yīng)用
- 5.2.4 用戶歷史行為建模在深度排序模型中的應(yīng)用
- 5.2.5 超大規(guī)模Embedding在實際中的應(yīng)用
- 5.3 推薦系統(tǒng)粗排階段及其發(fā)展歷程
- 5.3.1 粗排定位與技術(shù)路線選擇
- 5.3.2 粗排模型架構(gòu)的演變
- 5.3.3 使用知識蒸餾增強粗排與精排的一致性
- 5.3.4 緩解樣本選擇偏差
- 5.3.5 粗排效果的評價
- 5.4 多目標排序建模
- 5.4.1 多目標排序建模的意義和挑戰(zhàn)
- 5.4.2 多目標排序建模方法概覽
- 5.4.3 多目標融合尋參
- 5.5 推薦系統(tǒng)排序階段的評估
- 5.5.1 排序評估的兩個階段
- 5.5.2 常用的效果評估指標
- 5.5.3 常用的系統(tǒng)評估指標
- 5.5.4 離線和線上效果的一致性問題
- 總結(jié)
- 第6章 權(quán)衡再三重排序
- 6.1 重排序的必要性和作用
- 6.2 重排模型
- 6.2.1 重排模型建模的出發(fā)點
- 6.2.2 序列重排模型
- 6.2.3 基于強化學(xué)習(xí)的重排模型
- 6.3 重排多樣性策略
- 6.3.1 重排多樣性的出發(fā)點
- 6.3.2 多樣性評估指標
- 6.3.3 規(guī)則多樣性打散
- 6.3.4 多樣性模型策略
- 6.4 重排中的業(yè)務(wù)規(guī)則
- 總結(jié)
- 第7章 如若初見冷啟動
- 7.1 推薦冷啟動的定義與挑戰(zhàn)
- 7.2 冷啟動一般解決思路
- 7.3 新用戶推薦冷啟動
- 7.3.1 新用戶召回策略
- 7.3.2 新用戶排序模型
- 7.3.3 新用戶重排策略
- 7.4 新物品分發(fā)冷啟動
- 7.4.1 新物品冷啟動召回策略
- 7.4.2 新物品冷啟動排序策略
- 7.4.3 新物品冷啟動流量分配機制
- 總結(jié)
- 第8章 推薦系統(tǒng)中的魔術(shù)手
- 8.1 特征工程
- 8.1.1 特征的理解和分類
- 8.1.2 特征挖掘維度
- 8.1.3 工程視角下的特征工程開發(fā)
- 8.1.4 特征工程的流程和方法
- 8.2 樣本加工藝術(shù)
- 8.2.1 如何提取有效樣本
- 8.2.2 負樣本優(yōu)化
- 8.2.3 樣本遷移
- 8.2.4 其他樣本優(yōu)化技巧
- 8.3 推薦系統(tǒng)實效性
- 8.3.1 推薦數(shù)據(jù)實效性
- 8.3.2 推薦模型實效性
- 8.3.3 在線學(xué)習(xí)整體機制
- 8.4 推薦中的偏差與消偏策略
- 8.4.1 推薦偏差的緣由
- 8.4.2 推薦系統(tǒng)常見偏差
- 8.4.3 常用的消偏技術(shù)和策略
- 總結(jié)
- 第9章 系統(tǒng)進化的利器——AB實驗平臺
- 9.1 什么是AB實驗
- 9.2 AB實驗平臺框架
- 9.3 AB實驗分流機制&實驗類型
- 9.4 AB實驗效果評估
- 9.4.1 推薦系統(tǒng)常見的AB指標
- 9.4.2 AB實驗的假設(shè)檢驗
- 9.4.3 AB實驗的流量大小
- 9.5 AB實驗并不是萬能的
- 總結(jié)
- 第10章 推薦系統(tǒng)中的前沿技術(shù)
- 10.1 強化學(xué)習(xí)
- 10.2 因果推斷
- 10.3 端上智能
- 10.4 動態(tài)算力分配
- 10.5 增益模型
- 總結(jié)
- 后記——ChatGPT時代的推薦系統(tǒng)
- 反侵權(quán)盜版聲明
- 作者簡介
- 封底 更新時間：2023-12-12 19:10:50
