新書推薦：
《
历史哲学 一部关于世界文明 理性与历史的终极思考
》
售價：NT$
505
《
诡舍6完结篇蔽日开天
》
售價：NT$
254
《
大学问·秦汉经济政策与经济思想史稿（jue版好书复活，读懂秦汉，就是读懂中国两千年的经济底色。）
》
售價：NT$
454
《
狄仁杰与武则天 武周革命与平民官僚的崛起 钤印版 汗青堂丛书163
》
售價：NT$
449
《
自恋主义文化
》
售價：NT$
398
《
我是异类，你是怪物
》
售價：NT$
301
《
深夜的恋人们
》
售價：NT$
332
《
治未病常用中医外治法辑要
》
售價：NT$
449
|
| 編輯推薦： |
深入浅出解码推荐算法本质
构筑推荐算法落地的全景能力
|
| 內容簡介： |
作为人工智能和机器学习的应用方向之一，推荐系统不仅在学术界积累了众多文献著作，在互联网业界也有着广泛的落地实践，已服务过数亿用户，其算法和系统设计相当复杂。本书结合互联网大规模应用场景的实践需求，回顾了推荐系统的发展历史，解析了核心算法、系统架构、评估方法等诸多推荐系统涉及的方向，具备很强的实用性。内容包括推荐系统介绍、推荐系统原理、推荐系统经典链路、推荐系统进阶、推荐系统内容审核与冷启动、推荐系统架构、推荐系统评估。
本书适合有机器学习基础的学生、算法工程师，以及互联网行业从业人员阅读，也适合想了解推荐系统的跨行业人员阅读。
|
| 目錄：
|
丛书序
推荐序
前言
第1章 推荐系统介绍001
1.1 推荐系统崛起002
1.2 现代化的推荐系统产品005
1.3 推荐系统的未来006
第2章 推荐系统原理009
2.1 推荐系统链路概览010
2.1.1 监督学习010
2.1.2 推荐系统与监督学习的区别010
2.1.3 多阶段推荐系统设计011
2.1.4 推荐系统的离/在线流程013
2.1.5 推荐系统的实时离/在线联动015
2.1.6 端到端的推荐系统017
2.2 推荐方法018
2.2.1 模型结构与特征设计020
2.2.2 目标设计022
2.3 推荐效果评估025
2.3.1 离线评估025
2.3.2 在线评估028
第3章 推荐系统经典链路031
3.1 召回阶段032
3.1.1 召回阶段的作用及特殊性033
3.1.2 召回阶段的建模方法035
3.1.3 召回建模的分类035
3.1.4 u2i召回035
3.1.5 i2i召回042
3.1.6 u2u2i召回044
3.1.7 召回的特定问题与解法045
3.2 粗排阶段050
3.2.1 粗排阶段的定位050
3.2.2 粗排阶段的建模思路050
3.2.3 粗排模型的结构052
3.2.4 粗排效果的评估056
3.3 精排阶段056
3.3.1 经典精排模型057
3.3.2 特征交叉增强061
3.3.3 序列建模063
3.4 重排阶段070
3.4.1 重排阶段的框架071
3.4.2 一阶段式重排072
3.4.3 二阶段式重排075
3.4.4 多体裁混排078
3.4.5 对重排范式的思考084
第4章 推荐系统进阶088
4.1 推荐系统的多样性089
4.1.1 问题设定090
4.1.2 相似度度量092
4.1.3 约束规则095
4.1.4 最大边际相关096
4.1.5 行列式点过程098
4.1.6 相关拓展104
4.2 List wise建模107
4.2.1 LTR方法107
4.2.2 评估式生成方法116
4.2.3 生成式建模方法124
4.3 多种用户行为建模126
4.3.1 用户行为126
4.3.2 常见的建模方法129
4.3.3 多目标融合140
4.4 消偏141
4.4.1 关于偏差的例子141
4.4.2 常见偏差和消偏方法142
4.5 图模型153
4.5.1 图模型介绍153
4.5.2 图模型在推荐系统中的经典实践156
4.5.3 图模型的挑战和未来169
4.6 探索与利用170
4.6.1 问题与算法171
4.6.2 业务应用179
4.6.3 E&E平台183
4.7 动态权重/门控类模型185
4.7.1 动态权重/门控类模型介绍187
4.7.2 动态权重/门控类模型的建模方式188
4.7.3 动态权重/门控类模型的性能197
第5章 推荐系统内容审核与冷启动202
5.1 内容审核203
5.1.1 审核系统的目标204
5.1.2 审核流程设计205
5.1.3 审核策略设计205
5.1.4 审核模型设计206
5.1.5 抄袭和洗稿识别209
5.1.6 谣言识别213
5.2 冷启动215
5.2.1 冷启动的问题和挑战215
5.2.2 通用技术手段——元学习218
5.2.3 用户冷启动实践224
5.2.4 物料冷启动实践229
第6章 推荐系统架构233
6.1 推荐系统整体架构234
6.2 数据流样本拼接237
6.2.1 实时样本拼接237
6.2.2 大数据架构结合推荐系统239
6.3 分布式训练239
6.3.1 数据并行和模型并行240
6.3.2 参数服务器异步训练架构243
6.4 推理优化246
6.4.1 什么是推理优化246
6.4.2 推理优化实用技巧246
第7章 推荐系统评估250
7.1 A/B实验简介251
7.1.1 A/B实验的基本假设251
7.1.2 A/B实验的分流252
7.1.3 A/B实验的基本流程254
7.1.4 假设检验255
7.2 A/B实验的指标建设257
7.2.1 业务规模类指标的检验257
7.2.2 效率类指标的检验258
7.3 A/B实验指标的灵敏度提升259
7.3.1 CUPED方法260
7.3.2 协变量调整261
7.3.3 极值截断261
7.4 A/B实验的注意事项262
参考文献263
|
| 內容試閱：
|
为什么写作本书
推荐系统作为人工智能和机器学习的应用领域，不仅在学术界积累了众多文献著作，在互联网工业界也有着广泛的落地实践。近十年来，众多互联网公司都在应用推荐技术为用户提供服务。在移动互联网时代，字节跳动成为应用推荐系统的先驱之一，孵化了抖音、今日头条和番茄小说等应用，同时也培养了一批具备一线实战经验的推荐算法工程师。本书的写作团队正是由这群来自字节跳动的资深推荐算法工程师组成的。
推荐系统作为人工智能领域的一个独特分支，由于用户隐私保护、数据规模庞大等原因，相比计算机视觉、自然语言处理等领域呈现出更强的数据闭源特性。这使得尽管市面上涌现出大量推荐算法的相关研究，却因普遍缺乏真实用户数据集来实现公平的算法对比。由此产生的信息不对称问题，给众多对推荐系统感兴趣的互联网从业者和相关专业方向的学生提高了信息筛选的门槛，增加了学习的难度。本书将立足于业界成熟的推荐系统技术，并结合字节跳动一线工程师的经验，以抽丝剥茧、由浅入深的方式呈现推荐系统的核心内容，为广大读者提供一条学习推荐系统的路径、打开一座推荐系统的“黄金屋”。
读者对象
本书主要面向有机器学习基础的学生、在互联网行业从业的算法工程师等，同时也适合无相关知识或行业背景的读者学习。对于没有机器学习基础，但仍对推荐系统感兴趣的读者，可以根据本书的参考文献查阅相关的信息。
全书结构
工业界的推荐系统服务数亿用户，其算法和系统设计是相当复杂的。经过多轮讨论和缜密考虑，我们决定既要让本书覆盖推荐系统的绝大部分方向，也要让本书方便初学者阅读。因此，我们将本书划分为7章，内容由浅入深。
第1章讲解推荐系统的历史背景、产品形态、未来演化路径。第2章介绍整个推荐系统的基础知识，以最简单的推荐系统技术方案为例，介绍现代化推荐系统如何建模用户行为以及如何评估，该章将会呈现一个简易推荐系统的完整闭环。第3章介绍推荐系统的召回、粗排、精排和重排这四个阶段，让读者深入地学习推荐系统的经典链路。第4章深入研究推荐系统的各个技术模块，讲解各个模块的实现细节，该章节数较多，不分先后，读者可以挑选感兴趣的技术小节深入学习。推荐系统不仅仅是算法问题，更是业务和产品问题。第5章讲解推荐系统内容审核的机制与冷启动对于平台的重大意义。第6章介绍推荐系统的工程架构。第7章深入介绍推荐系统的策略评估方法。另外，李亦锬、刘峰、寿锡阳、赵致辰负责本书的整理、校稿和绘图等工作，寿锡阳负责组织。
勘误和支持
本书的作者团队虽然已经在推荐领域研究多年，但随着推荐系统的研究和应用越来越丰富，大家对很多问题的理解也会更加深刻和全面。限于时间和精力，本书错谬之处难以完全避免，广大读者如有发现，也希望及时告知，非常感谢。
致谢
感谢字节跳动研究院负责人李航作为丛书的编委推动了本书的出版。感谢字节跳动诸多同事给出的宝贵意见。感谢互联网工业界和学术界对推荐系统发展所做的贡献，给本书的广泛取材提供了空间。
字节跳动推荐技术团队
|
|
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
