新書推薦：
《
区域经济与产业发展研究
》
售價：HK$
81.6
《
正念心理学：全面开启自我觉察与接纳的疗愈之旅
》
售價：HK$
83.8
《
车用锂离子动力电池碰撞安全
》
售價：HK$
189.6
《
中国近代史（中国史学大家蒋廷黻典作品）
》
售價：HK$
47.8
《
先跳了再说： 仓本聪的工作与生活哲学
》
售價：HK$
67.2
《
抗焦虑饮食（赠实践手册）
》
售價：HK$
106.8
《
生活不是掷骰子：理性决策的贝叶斯思维
》
售價：HK$
82.8
《
万有引力书系·基辅罗斯：东斯拉夫文明的起源
》
售價：HK$
141.6
|
| 內容簡介： |
|
本书是一本面向实践的企业级推荐系统开发指南，内容包括产品设计、相关性算法、排序模型、工程架构、效果评测、系统监控等推荐系统核心部分的设计与开发，可以帮助开发者逐步构建一个完整的推荐系统，并提供了持续优化的系统性思路。本书注重从系统性和通用性的角度看待推荐系统的核心问题，希望能够帮助读者做到知其然，也知其所以然，更能够举一反三，真正掌握推荐系统的核心本质。此外，本书对于推荐系统开发中常见的问题和陷阱，以及系统构建过程，也做了重点介绍，力求让读者不仅知道做什么，而且知道怎么做。本书的目标读者是推荐系统研发工程师、产品经理以及对推荐系统感兴趣的学生和从业者。
|
| 關於作者： |
|
张相於，本科和研究生毕业于中国人民大学，现任阿里巴巴高级算法专家。多年来一直从事推荐系统及相关领域的系统研发，具有丰富的实践经验，并乐于分享经验与教训，在ResysChina上发表过多篇推荐系统相关文章，也在全球架构师峰会等技术大会上做过多次演讲。
|
| 目錄：
|
第１章 推荐系统的时代背景 1
1.1 为什么需要推荐系统 1
1.1.1 提高流量利用效率 1
1.1.2 挖掘和匹配长尾需求 6
1.1.3 提升用户体验 7
1.1.4 技术积累 8
1.2 推荐的产品问题 10
1.2.1 推荐什么东西 10
1.2.2 为谁推荐 13
1.2.3 推荐场景 14
1.2.4 推荐解释 16
1.3 总结 18
第2章 推荐系统的核心技术概述 19
2.1 核心逻辑拆解 19
2.2 整体流程概述 20
2.3 召回算法 21
2.4 基于行为的召回算法 24
2.5 用户画像和物品画像 24
2.6 结果排序 26
2.7 评价指标 26
2.8 系统监控 27
2.9 架构设计 28
2.10 发展历程 28
2.11 总结 30
第3章 基础推荐算法 31
3.1 推荐逻辑流程架构 31
3.2 召回算法的基本逻辑 34
3.3 常用的基础召回算法 36
3.3.1 用户与物品的相关性 36
3.3.2 物品与物品的相关性 42
3.3.3 用户与用户的相关性 46
3.3.4 用户与标签的相关性 47
3.3.5 标签与物品的相关性 48
3.3.6 相关性召回的链式组合 50
3.4 冷启动场景下的推荐 51
3.5 总结 53
第4章 算法融合与数据血统 54
4.1 线性加权融合 55
4.2 优先级融合 57
4.3 基于机器学习的排序融合 59
4.4 融合策略的选择 61
4.5 融合时机的选择 63
4.6 数据血统 64
4.6.1 融合策略正确性验证 65
4.6.2 系统效果监控 65
4.6.3 策略效果分析 67
4.7 总结 68
第5章 机器学习技术的应用 69
5.1 机器学习技术概述 69
5.2 推荐系统中的应用场景 70
5.3 机器学习技术的实施方法 72
5.3.1 老系统与数据准备 72
5.3.2 问题分析与目标定义 74
5.3.3 样本处理 76
5.3.4 特征处理 80
5.3.5 模型选择与训练 98
5.3.6 模型效果评估 101
5.3.7 预测阶段效果监控 104
5.3.8 模型训练系统架构设计 105
5.3.9 模型预测系统架构设计 108
5.4 常用模型介绍 109
5.4.1 逻辑回归模型 109
5.4.2 GBDT模型 111
5.4.3 LR GDBT模型 112
5.4.4 因子分解机模型 113
5.4.5 Wide ＆ Deep模型 115
5.4.6 其他深度学习模型 116
5.5 机器学习实践常见问题 117
5.5.1 反模式1：只见模型，不见系统 117
5.5.2 反模式2：忽视模型过程和细节 117
5.5.3 反模式3：不注重样本精细化处理 118
5.5.4 反模式4：过于依赖算法 119
5.5.5 反模式5：核心数据缺乏控制 120
5.5.6 反模式6：团队不够全栈 121
5.5.7 反模式7：系统边界模糊导致出现巨型系统 121
5.5.8 反模式8：不重视基础数据架构建设 122
5.6 总结 123
第6章 用户画像系统 124
6.1 用户画像的概念和作用 124
6.2 用户画像的价值准则 126
6.3 用户画像的构成要素 128
6.3.1 物品侧画像 129
6.3.2 用户侧画像 133
6.3.3 用户画像扩展 139
6.3.4 用户画像和排序特征的关系 142
6.4 用户画像系统的架构演进 143
6.4.1 用户画像系统的组成部分 143
6.4.2 野蛮生长期 144
6.4.3 统一用户画像系统架构 145
6.5 总结 147
第7章 系统效果评测与监控 148
7.1 评测与监控的概念和意义 148
7.2 推荐系统的评测指标系统 150
7.3 常用指标 151
7.4 离线效果评测方法 158
7.5 在线效果评测方法 163
7.5.1 AB实验 163
7.5.2 交叉实验 173
7.6 系统监控 178
7.7 总结 181
第8章 推荐效果优化 182
8.1 准确率优化的一般性思路 183
8.2 覆盖率优化的一般性思路 185
8.3 行为类相关性算法优化 188
8.3.1 热度惩罚 188
8.3.2 时效性优化 190
8.3.3 随机游走 194
8.3.4 嵌入表示 196
8.4 内容类相关性算法优化 200
8.4.1 非结构化算法 201
8.4.2 结构化算法 201
8.5 影响效果的非算法因素 205
8.5.1 用户因素 205
8.5.2 产品设计因素 206
8.5.3 数据因素 208
8.5.4 算法策略因素 208
8.5.5 工程架构因素 209
8.6 总结 210
第9章 自然语言处理技术的应用 211
9.1 词袋模型 212
9.2 权重计算和向量空间模型 214
9.3 隐语义模型 216
9.4 概率隐语义模型 218
9.5 生成式概率模型 220
9.6 LDA模型的应用 222
9.6.1 相似度计算 222
9.6.2 排序特征 222
9.6.3 物品打标签＆用户打标签 223
9.6.4 主题＆词的重要性度量 223
9.6.5 更多应用 224
9.7 神经概率语言模型 224
9.8 行业应用现状 226
9.9 总结和展望 227
第10章 探索与利用问题 228
10.1 多臂老虎机问题 228
10.2 推荐系统中的EE问题 230
10.3 解决方案 231
10.3.1 ?-Greedy算法 231
10.3.2 UCB 234
10.3.3 汤普森采样 236
10.3.4 LinUCB 237
10.4 探索与利用原理在机器学习系统中的应用 239
10.5 EE问题的本质和影响 240
10.6 总结 241
第11章 推荐系统架构设计 242
11.1 架构设计概述 242
11.2 系统边界和外部依赖 244
11.3 离线层、在线层和近线层架构 246
11.4 离线层架构 247
11.5 近线层架构 249
11.6 在线层架构 252
11.7 架构层级对比 255
11.8 系统和架构演进原则 256
11.8.1 从简单到复杂 256
11.8.2 从离线到在线 258
11.8.3 从统一到拆分 258
11.9 基于领域特定语言的架构设计 259
11.10 总结 262
第12章 推荐系统工程师成长路线 263
12.1 基础开发能力 264
12.1.1 单元测试 264
12.1.2 逻辑抽象复用 264
12.2 概率和统计基础 265
12.3 机器学习理论 266
12.3.1 基础理论 267
12.3.2 监督学习 268
12.3.3 无监督学习 269
12.4 开发语言和开发工具 270
12.4.1 开发语言 270
12.4.2 开发工具 270
12.5 算法优化流程 271
12.6 推荐业务技能 273
12.7 总结 274
第13章 推荐系统的挑战 275
13.1 数据稀疏性 275
13.2 推荐结果解释 277
13.3 相关性和因果性 281
13.4 信息茧房 283
13.5 转化率预估偏差问题 286
13.6 召回模型的局限性问题 288
13.7 用户行为捕捉粒度问题 290
13.8 总结 291
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
