新書推薦：
《
想通了：清醒的人先享受自由
》
售價：NT$
281.0
《
功能训练处方：肌骨损伤与疼痛的全周期管理
》
售價：NT$
653.0
《
软体机器人技术
》
售價：NT$
454.0
《
叙事话语·新叙事话语
》
售價：NT$
347.0
《
奴隶船：海上奴隶贸易400年
》
售價：NT$
352.0
《
纸上博物馆·美索不达米亚：文明的诞生（破译古老文明的密码，法国伽利玛原版引进，150+资料图片）
》
售價：NT$
398.0
《
米塞斯的经济学课：讲座与演讲精选集
》
售價：NT$
347.0
《
人工智能大模型导论 科大讯飞校企合编教材
》
售價：NT$
352.0
|
| 編輯推薦： |
大模型时代，推荐系统破局之道：算法、工程与大模型的协同创新
口碑畅销书《深度学习推荐系统》升级版，增补内容超过50%
讲透工业界核心增长引擎
兼顾经典与前沿
工业级推荐范式GR、ClickPrompt、PALR等
|
| 內容簡介： |
深度学习和大模型技术在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、大模型、AIGC、模型工程实现、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。
本书既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本科生、研究生、博士生阅读，帮助建立深度学习推荐系统的技术框架，通过学习前沿案例，加强深度学习理论与推荐系统工程实践的融合能力。
|
| 關於作者： |
|
王喆 ，毕业于清华大学计算机科学与技术系，现任硅谷某科技大厂技术总监，曾任TikTok高级技术经理、美国流媒体公司Roku资深机器学习工程师。清华大学KEG实验室学术搜索引擎AMiner早期发起人之一。主要研究方向为推荐系统、计算广告、个性化搜索，发表相关领域学术论文7篇，拥有专利3项，是《百面机器学习》等技术书的联合作者。曾担任KDD、CIKM等国际会议审稿人。
|
| 目錄：
|
第1章 推荐系统——互联网的增长引擎 1
1.1 为什么推荐系统是互联网的增长引擎 1
1.2 推荐系统的架构 3
1.3 算法、工程与大模型的协同创新 6
1.4 本书的整体结构 8
参考文献 9
第2章 推荐之心——深度学习推荐模型的进化之路 10
2.1 深度学习推荐模型的演化关系 10
2.2 协同过滤——经典的推荐算法 12
2.3 从LR到FFM——融合多种特征的推荐模型 18
2.4 Deep Crossing模型——深度学习推荐模型的开端 25
2.5 NeuralCF模型——双塔模型的经典应用 28
2.6 Wide&Deep模型——记忆能力和泛化能力的综合 33
2.7 加强特征交叉能力的深度学习推荐模型 35
2.8 注意力机制在推荐模型中的应用 40
2.9 考虑用户兴趣进化的序列模型 46
2.10 强化学习与推荐系统的结合 52
2.11 总结——推荐系统的深度学习时代 57
参考文献 59
第3章 浪潮之巅——大模型在推荐系统中的创新 61
3.1 引爆大模型时代的ChatGPT 61
3.2 基于Prompt的推荐——以ChatGPT 的方式改造推荐系统 66
3.3 大模型特征工程——让推荐模型学会“世界知识” 72
3.4 华为ClickPrompt——大模型与深度学习推荐模型的融合方案 76
3.5 Meta GR——用大模型的思路改进推荐模型 79
3.6 总结——方兴未艾的革命与理性的深度思考 83
参考文献 83
第4章 核心技术——Embedding 在推荐系统中的应用85
4.1 Word2vec——经典的Embedding 方法 85
4.2 Graph Embedding——引入更多结构信息的图嵌入技术 89
4.3 GNN——直接处理图结构数据的神经网络 94
4.4 Embedding与深度学习推荐系统的结合 101
4.5 近似最近邻搜索——让Embedding 插上翅膀的快速搜索方法 104
4.6 总结——深度学习推荐系统的核心操作 108
参考文献 109
第5章 推荐架构——深度学习推荐系统的级联架构 110
5.1 以快为主的召回层 111
5.2 承上启下的粗排层 116
5.3 算力和模型复杂度的较量 118
5.4 冲破信息茧房的重排层 124
5.5 总结——天下大势，合久必分，分久必合 131
参考文献 132
第6章 多个角度——推荐系统中的其他重要问题 133
6.1 如何合理地设定推荐系统中的优化目标 133
6.2 推荐系统的冷启动问题 139
6.3 消除推荐系统的“偏见”与消偏方法 144
6.4 联邦学习——解决隐私合规问题的利器 149
6.5 推荐系统中比模型结构更重要的是什么 152
参考文献 156
第7章 数据为王——推荐系统的特征工程与数据流 157
7.1 推荐系统的特征工程 157
7.2 多模态特征的处理与融合 163
7.3 推荐系统的数据流167
7.4 推荐系统的实时性 171
7.5 边缘计算——提升实时性的终极武器 177
7.6 总结——推荐系统的血液循环系统 182
参考文献 182
第8章 模型工程——深度学习推荐模型的训练和线上服务 183
8.1 TensorFlow与PyTorch——推荐模型离线训练平台 183
8.2 分布式训练与Parameter Server的原理 190
8.3 深度学习推荐模型的上线部署 198
8.4 模型架构与数据流的深度整合——模型流式训练 202
8.5 理想照进现实——工程与理论之间的权衡 206
参考文献 208
第9章 效果评估——推荐系统的评估体系 210
9.1 离线评估方法与评估指标 210
9.2 更接近线上环境的离线评估方法——Replay 216
9.3 离线评估的终极方法——推荐系统模拟器 219
9.4 A/B 测试与线上评估指标 222
9.5 快速线上评估方法——Interleaving 225
9.6 推荐系统的评估体系 229
参考文献 230
第10章 无限可能——拥抱多模态大模型和AIGC 的未来 231
10.1 Stable Diffusion——多模态大模型的基本原理 231
10.2 世界的模拟器——Sora 的基本原理 235
10.3 AI辅助内容生成 239
10.4 AI个性化内容生成 241
参考文献 244
第11章 前沿实践——深度学习推荐系统的业界经典案例 245
11.1 YouTube 深度学习视频推荐系统 245
11.2 Airbnb 基于Embedding 的实时搜索推荐系统 251
11.3 阿里巴巴深度学习推荐系统的进化 261
11.4 “麻雀虽小，五脏俱全”的开源推荐系统SparrowRecSys 270
11.5 Meta 生成式推荐模型GR 的工程实现 275
参考文献 278
第12 章 宏观体系——构建属于你的推荐系统知识框架 279
12.1 推荐系统的整体知识架构图 279
12.2 推荐模型发展的时间线 280
12.3 如何成为一名优秀的推荐工程师 282
12.4 大模型时代的挑战与机遇 284
|
| 內容試閱：
|
本书特色
本书旨在讨论推荐系统相关的“经典的”或者“前沿的”技术内容。其中着重讨论深度学习在推荐系统业界的应用及大模型等推荐系统的最新技术趋势。需要明确的是，本书不是一本机器学习或者深度学习的入门书。虽然书中会穿插对机器学习基础知识的介绍，但绝大多数内容建立在读者有一定的机器学习背景基础之上；本书也不是一本纯理论技术书，而是一本从工程师的实际经验角度出发，介绍深度学习在推荐系统领域的应用方法，以及相关的业界前沿知识的技术书。
本书读者群
本书的目标读者可分为两类：一类是互联网行业相关方向，特别是推荐、广告、搜索领域的从业者。希望这些同行能够通过学习本书熟悉深度学习推荐系统的发展脉络，厘清每个关键模型和技术的细节，进而在工作中将其应用甚至改进。另一类是有一定机器学习理论基础，希望进入推荐系统领域的爱好者、在校学生。本书尽量用平实的语言，从细节出发，介绍推荐系统的相关技术原理和应用方法，帮助读者从零开始构建前沿、实用的推荐系统知识体系。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
