最新章節

• 文后
• 讀者對象
• 后記
• 參考文獻
• 11.3 本章小結
• 11.2 論推薦算法工程師的自我修養

• 文后 更新時間：2024-09-11 17:52:35
• 讀者對象
• 后記
• 參考文獻
• 11.3 本章小結
• 11.2 論推薦算法工程師的自我修養
• 11.1 推薦算法的重要挑戰
• 第11章 總結與展望
• 參考文獻
• 10.4 本章小結
• 10.3.3 A/B測試與Interleaving
• 10.3.2 A/B測試的實驗設計和效果分析
• 10.3.1 A/B測試的基本概念及必要性
• 10.3 A/B測試的實驗機制設計
• 10.2.2 離線評估指標體系
• 10.2.1 推薦效果評估流程
• 10.2 微觀視角下的推薦效果評估
• 10.1 宏觀視角下的推薦效果評估
• 第10章 信息流推薦算法的評估與改進
• 參考文獻
• 9.6 本章小結
• 9.5 正向行為定義
• 9.4.6 消偏：流行度偏置
• 9.4.5 消偏：位置偏置
• 9.4.4 消偏：群體一致性偏置
• 9.4.3 消偏：曝光偏置
• 9.4.2 消偏：用戶選擇偏置
• 9.4.1 偏置分析
• 9.4 偏置與消偏
• 9.3.4 Cold & Warm Net
• 9.3.3 LinUCB
• 9.3.2 MWUF
• 9.3.1 DropoutNet
• 9.3 內容與用戶冷啟動
• 9.2 關于保量策略
• 9.1 關于信息繭房
• 第9章 信息流推薦中的經典業務問題應對
• 參考文獻
• 8.4 本章小結
• 8.3 模型校準
• 8.2.2 特征重要性分析
• 8.2.1 特征的提取與加工
• 8.2 特征工程
• 8.1 評分矩陣構建
• 第8章 推薦建模中的數據預處理和模型后處理
• 參考文獻
• 7.5 本章小結
• 7.4.2 DCCL
• 7.4.1 EdgeRec
• 7.4 端云一體協同推薦
• 7.3.5 PRS
• 7.3.4 GRN
• 7.3.3 Seq2Slate
• 7.3.2 PRM
• 7.3.1 DLCM
• 7.3 多樣性算法之list-wise建模
• 7.2.3 DPP
• 7.2.2 MLR
• 7.2.1 MMR
• 7.2 多樣性算法之啟發式方法
• 7.1 重排算法概要及核心目標
• 第7章 重排算法
• 參考文獻
• 6.6 本章小結
• 6.5.2 強化學習的多目標融合實踐
• 6.5.1 強化學習的核心概念
• 6.5 強化學習
• 6.4.2 基于OpenAI ES的進化策略實踐
• 6.4.1 進化算法的相關概念
• 6.4 進化策略
• 6.3.3 貝葉斯搜參實踐
• 6.3.2 采集函數
• 6.3.1 概率代理模型
• 6.3 貝葉斯優化
• 6.2.3 搜參實踐
• 6.2.2 Random Search
• 6.2.1 Grid Search
• 6.2 啟發式多目標融合
• 6.1 多目標融合的意義
• 第6章 多目標融合算法
• 參考文獻
• 5.6 本章小結
• 5.5.5 MVKE
• 5.5.4 MFH
• 5.5.3 PLE
• 5.5.2 ESMM
• 5.5.1 MMoE
• 5.5 多任務學習
• 5.4.2 在線學習算法框架：FTRL
• 5.4.1 在線學習的基本概念
• 5.4 在線學習
• 5.3.6 SIM
• 5.3.5 DSIN
• 5.3.4 DIEN
• 5.3.3 DIN
• 5.3.2 DeepFM
• 5.3.1 Wide & Deep
• 5.3 深度精排算法
• 5.2.3 GBDT
• 5.2.2 FM
• 5.2.1 LR
• 5.2 前深度學習時代的精排算法
• 5.1 精排算法的核心目標和概要
• 第5章 精排算法
• 參考文獻
• 4.5 本章小結
• 4.4.2 粗精排一致性校驗
• 4.4.1 樣本選擇策略
• 4.4 粗排建模的重要問題
• 4.3.3 COLD粗排架構
• 4.3.2 基于精排模型的知識蒸餾
• 4.3.1 基于向量內積的雙塔模型
• 4.3 深度粗排模型的重要方法
• 4.2.2 淺層個性化模型
• 4.2.1 非個性化離線評估模型
• 4.2 前深度學習時代的粗排
• 4.1 粗排的定位和重要性思考
• 第4章 粗排算法
• 參考文獻
• 3.6 本章小結
• 3.5.3 序列建模總結
• 3.5.2 用戶多興趣建模
• 3.5.1 序列建模的通用算法模塊
• 3.5 用戶行為序列召回建模
• 3.4.5 EGES
• 3.4.4 Node2vec
• 3.4.3 LINE
• 3.4.2 DeepWalk
• 3.4.1 SimRank
• 3.4 基于圖模型的召回建模
• 3.3.3 DSSM
• 3.3.2 YouTube DNN
• 3.3.1 從Word2vec到Item2vec
• 3.3 用戶和物品的向量化表示學習
• 3.2.4 Model-based CF
• 3.2.3 Item-based CF與User-based CF的對比與改進
• 3.2.2 Item-based CF
• 3.2.1 User-based CF
• 3.2 協同過濾召回
• 3.1 召回側的業務目標和技術方向
• 第3章 可插拔式的召回算法
• 參考文獻
• 2.4 本章小結
• 2.3 用戶行為路徑分析
• 2.2.3 用戶畫像的質量保障
• 2.2.2 用戶畫像之價值分層與生命周期管理
• 2.2.1 用戶畫像構建的基本方法
• 2.2 用戶畫像分析
• 2.1.2 周期性分析
• 2.1.1 系統性分析
• 2.1 產品運營分析
• 第2章 業務數據探索：推薦算法閉環的起點與終點
• 參考文獻
• 1.4 本章小結
• 1.3.2 推薦算法的生態建設
• 1.3.1 推薦算法基線
• 1.3 信息流產品推薦系統的構成
• 1.2.3 用戶體驗及商業價值總結
• 1.2.2 商業價值的重塑
• 1.2.1 信息流產品下的用戶體驗
• 1.2 信息流產品對用戶體驗和商業價值的重塑
• 1.1 什么是信息流產品
• 第1章 信息流產品與推薦算法
• 前言
• 推薦者簡介
• 推薦序
• 插圖
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 插圖
• 推薦序
• 推薦者簡介
• 前言
• 第1章 信息流產品與推薦算法
• 1.1 什么是信息流產品
• 1.2 信息流產品對用戶體驗和商業價值的重塑
• 1.2.1 信息流產品下的用戶體驗
• 1.2.2 商業價值的重塑
• 1.2.3 用戶體驗及商業價值總結
• 1.3 信息流產品推薦系統的構成
• 1.3.1 推薦算法基線
• 1.3.2 推薦算法的生態建設
• 1.4 本章小結
• 參考文獻
• 第2章 業務數據探索：推薦算法閉環的起點與終點
• 2.1 產品運營分析
• 2.1.1 系統性分析
• 2.1.2 周期性分析
• 2.2 用戶畫像分析
• 2.2.1 用戶畫像構建的基本方法
• 2.2.2 用戶畫像之價值分層與生命周期管理
• 2.2.3 用戶畫像的質量保障
• 2.3 用戶行為路徑分析
• 2.4 本章小結
• 參考文獻
• 第3章 可插拔式的召回算法
• 3.1 召回側的業務目標和技術方向
• 3.2 協同過濾召回
• 3.2.1 User-based CF
• 3.2.2 Item-based CF
• 3.2.3 Item-based CF與User-based CF的對比與改進
• 3.2.4 Model-based CF
• 3.3 用戶和物品的向量化表示學習
• 3.3.1 從Word2vec到Item2vec
• 3.3.2 YouTube DNN
• 3.3.3 DSSM
• 3.4 基于圖模型的召回建模
• 3.4.1 SimRank
• 3.4.2 DeepWalk
• 3.4.3 LINE
• 3.4.4 Node2vec
• 3.4.5 EGES
• 3.5 用戶行為序列召回建模
• 3.5.1 序列建模的通用算法模塊
• 3.5.2 用戶多興趣建模
• 3.5.3 序列建模總結
• 3.6 本章小結
• 參考文獻
• 第4章 粗排算法
• 4.1 粗排的定位和重要性思考
• 4.2 前深度學習時代的粗排
• 4.2.1 非個性化離線評估模型
• 4.2.2 淺層個性化模型
• 4.3 深度粗排模型的重要方法
• 4.3.1 基于向量內積的雙塔模型
• 4.3.2 基于精排模型的知識蒸餾
• 4.3.3 COLD粗排架構
• 4.4 粗排建模的重要問題
• 4.4.1 樣本選擇策略
• 4.4.2 粗精排一致性校驗
• 4.5 本章小結
• 參考文獻
• 第5章 精排算法
• 5.1 精排算法的核心目標和概要
• 5.2 前深度學習時代的精排算法
• 5.2.1 LR
• 5.2.2 FM
• 5.2.3 GBDT
• 5.3 深度精排算法
• 5.3.1 Wide & Deep
• 5.3.2 DeepFM
• 5.3.3 DIN
• 5.3.4 DIEN
• 5.3.5 DSIN
• 5.3.6 SIM
• 5.4 在線學習
• 5.4.1 在線學習的基本概念
• 5.4.2 在線學習算法框架：FTRL
• 5.5 多任務學習
• 5.5.1 MMoE
• 5.5.2 ESMM
• 5.5.3 PLE
• 5.5.4 MFH
• 5.5.5 MVKE
• 5.6 本章小結
• 參考文獻
• 第6章 多目標融合算法
• 6.1 多目標融合的意義
• 6.2 啟發式多目標融合
• 6.2.1 Grid Search
• 6.2.2 Random Search
• 6.2.3 搜參實踐
• 6.3 貝葉斯優化
• 6.3.1 概率代理模型
• 6.3.2 采集函數
• 6.3.3 貝葉斯搜參實踐
• 6.4 進化策略
• 6.4.1 進化算法的相關概念
• 6.4.2 基于OpenAI ES的進化策略實踐
• 6.5 強化學習
• 6.5.1 強化學習的核心概念
• 6.5.2 強化學習的多目標融合實踐
• 6.6 本章小結
• 參考文獻
• 第7章 重排算法
• 7.1 重排算法概要及核心目標
• 7.2 多樣性算法之啟發式方法
• 7.2.1 MMR
• 7.2.2 MLR
• 7.2.3 DPP
• 7.3 多樣性算法之list-wise建模
• 7.3.1 DLCM
• 7.3.2 PRM
• 7.3.3 Seq2Slate
• 7.3.4 GRN
• 7.3.5 PRS
• 7.4 端云一體協同推薦
• 7.4.1 EdgeRec
• 7.4.2 DCCL
• 7.5 本章小結
• 參考文獻
• 第8章 推薦建模中的數據預處理和模型后處理
• 8.1 評分矩陣構建
• 8.2 特征工程
• 8.2.1 特征的提取與加工
• 8.2.2 特征重要性分析
• 8.3 模型校準
• 8.4 本章小結
• 參考文獻
• 第9章 信息流推薦中的經典業務問題應對
• 9.1 關于信息繭房
• 9.2 關于保量策略
• 9.3 內容與用戶冷啟動
• 9.3.1 DropoutNet
• 9.3.2 MWUF
• 9.3.3 LinUCB
• 9.3.4 Cold & Warm Net
• 9.4 偏置與消偏
• 9.4.1 偏置分析
• 9.4.2 消偏：用戶選擇偏置
• 9.4.3 消偏：曝光偏置
• 9.4.4 消偏：群體一致性偏置
• 9.4.5 消偏：位置偏置
• 9.4.6 消偏：流行度偏置
• 9.5 正向行為定義
• 9.6 本章小結
• 參考文獻
• 第10章 信息流推薦算法的評估與改進
• 10.1 宏觀視角下的推薦效果評估
• 10.2 微觀視角下的推薦效果評估
• 10.2.1 推薦效果評估流程
• 10.2.2 離線評估指標體系
• 10.3 A/B測試的實驗機制設計
• 10.3.1 A/B測試的基本概念及必要性
• 10.3.2 A/B測試的實驗設計和效果分析
• 10.3.3 A/B測試與Interleaving
• 10.4 本章小結
• 參考文獻
• 第11章 總結與展望
• 11.1 推薦算法的重要挑戰
• 11.2 論推薦算法工程師的自我修養
• 11.3 本章小結
• 參考文獻
• 后記
• 讀者對象
• 文后 更新時間：2024-09-11 17:52:35