检索匹配：深度学习在搜索、广告、推荐系统中的应用

图书标准信息

• 作者 康善同 编著
• 出版社 机械工业出版社
• 出版时间 2022-06
• 版次 1
• ISBN 9787111706076
• 定价 79.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 204页
• 字数 299千字

【内容简介】

《检索匹配：深度学习在搜索、广告、推荐系统中的应用》主要介绍了深度学习在互联网核心的三大类业务（搜索、广告、推荐系统）检索系统中的应用。书中详细讲述了检索匹配的理论、演进历史，以及在业务中落地一个基于深度学习算法模型的全流程技能，包括业务问题建模、样本准备、特征抽取、模型训练和预测等，并提供了相应的代码。

  《检索匹配：深度学习在搜索、广告、推荐系统中的应用》共11章，分为四大部分。第1部分（第1~2章）介绍了深度学习的相关理论知识；第2部分（第3~6章）介绍了业务中如何上线一个深度学习模型，包括标签拼接、特征抽取、模型训练和预测等流程，采用单机实现；第3部分（第7~9章）介绍了检索算法基本理论以及演进历史，并以业内应用较为广泛的双塔模型DSSM为例进行了详细理论解析和代码实现；第4部分（第10~11章）介绍了如何将单机训练模式改造为分布式训练模式，以加快模型的训练速度，从而应对具有海量样本的业务场景。

  《检索匹配：深度学习在搜索、广告、推荐系统中的应用》为读者提供了全部案例源代码下载和超过180分钟的高清学习视频，读者可直接扫描二维码观看。

  《检索匹配：深度学习在搜索、广告、推荐系统中的应用》旨在为读者介绍深度学习在互联网业务中落地的方法和实现，主要面向算法工程师、相关领域研究人员和相关专业院校师生。

【作者简介】

康善同，本科毕业于南京大学，于北京大学获得计算机系统结构硕士学位，有十余年的互联网大厂一线算法相关工作经验。

【目录】

第1部分  理 论 准 备

第1章 深度学习时代/

  1.1 深度学习的飞速发展/

  1.2 深度学习在互联网的应用/

      1.2.1 搜索/

      1.2.2 推荐/

      1.2.3 广告/

      1.2.4 通用检索流程/

  1.3 深度学习模型分类/

  1.4 模型服务中台/

  1.5 分布式机器学习/

  1.6 深度学习软件框架/

  1.7 小结/

第2章 深度学习简介/

  2.1 生物神经网络/

  2.2 人工神经网络/

  2.3 业务问题建模/

  2.4 DNN的拟合能力/

  2.5 DNN的学习方式/

  2.6 CNN与RNN/

  2.7 小结/

第2部分 设计与实现

第3章 标签拼接/

  3.1 时间窗口/

  3.2 延迟反馈/

  3.3 样本集介绍/

      3.3.1 原始样本/

      3.3.2 广告基本信息表/

      3.3.3 用户基本信息表/

      3.3.4 用户的行为日志/

  3.4小结/

第4章 特征处理/

  4.1 特征分类/

  4.2 特征体系/

  4.3 原始特征拼接/

      4.3.1 拼接方法/

      4.3.2 数据集特征拼接/

      4.3.3 代码/

  4.4 明文特征抽取/

      4.4.1 特征抽取算子/

      4.4.2 特征抽取示例/

  4.5 特征ID化/

      4.5.1 特征词表生成/

      4.5.2 ID化示例/

  4.6 代码说明/

  4.7 小结/

第5章 模型构建/

  5.1 DNN求解/

      5.1.1 数学规划/

      5.1.2 DNN方法/

  5.2 模型层/

      5.2.1 输入层/

      5.2.2 神经网络层/

      5.2.3 激活函数层/

  5.3模型结构/

      5.3.1 DLRM模型/

      5.3.2 模型搭建/

  5.4 损失函数/

      5.4.1 MSE损失函数/

      5.4.2 CrossEntropy损失函数/

  5.5 优化器/

      5.5.1 SGD/

      5.5.2 Momentum/

      5.5.3 Nesterov/

      5.5.4 AdaGrad/

      5.5.5 Adam/

      5.5.6 扩展/

  5.6 小结/

第6章 模型训练与预测/

  6.1 模型评估/

  6.2 模型训练/

      6.2.1 模型训练流程/

      6.2.2 模型训练技巧/

  6.3 模型预测/

  6.4 训练效果示例/

  6.5 模型优化/

  6.6 GPU应用/

  6.7 小结/

第3部分 高级深度学习模型

第7章 检索算法理论/

  7.1 检索算法抽象/

  7.2 有表示匹配/

      7.2.1 标签表示/

      7.2.2 分布式表示/

  7.3 无表示匹配/

  7.4 内容理解/

      7.4.1 自然语言处理/

      7.4.2 计算机视觉/

      7.4.3 一点思考/

  7.5 用户理解/

  7.6 总结/

第8章 检索算法演进/

  8.1 前深度学习时代/

      8.1.1 LR/

      8.1.2 决策树/

      8.1.3 协同过滤/

      8.1.4 MF/

      8.1.5 算法应用/

  8.2 深度学习时代/

      8.2.1 精排模型演进/

      8.2.2 粗排模型演进/

      8.2.3 召回模型演进/

  8.3 小结/

第9章 DSSM理论与实现/

  9.1 DSSM模型/

  9.2 DSSM实现/

  9.3 线上预测/

  9.4 ANN检索/

      9.4.1 基于树的方法/

      9.4.2 基于Hash的方法/

      9.4.3 基于图的方法/

      9.4.4 ANN检索效率比较/

  9.5 训练效果/

  9.6 模型优化/

  9.7 小结/

第4部分 分布式机器学习

第10章 计算机系统/

  10.1 单机系统/

      10.1.1 单机系统物理模型/

      10.1.2 单机系统程序编程/

  10.2 分布式系统/

      10.2.1 分布式计算/

      10.2.2 分布式存储/

      10.2.3 分布式协同通信/

      10.2.4 CAP理论/

      10.2.5 一点思考/

  10.3 分布式系统示例/

  10.4 分布式编程示例/

  10.5 小结/

第11章 分布式机器学习设计与实现/

  11.1 机器学习应用系统设计/

  11.2 分布式机器学习设计/

      11.2.1 并行方式/

      11.2.2 节点协作方式/

      11.2.3 模型更新方式/

  11.3 常用的分布式学习框架/

  11.4 PS Lite介绍/

      11.4.1 代码架构/

      11.4.2 工作流程/

  11.5 分布式训练实现/

      11.5.1 架构设计/

      11.5.2 代码实现/

      11.5.3 程序运行/

      11.5.4 模型保存与加载/

      11.5.5 效果评估/

  11.6 小结/

结语/

附录/

附录A 辅助学习资料/