推荐系统
￥ 9.85 1.0折 ￥ 99 九五品
仅1件
北京通州
认证卖家担保交易快速发货售后保障
作者陈开江
出版社电子工业出版社
ISBN9787121354724
出版时间2019-10
版次1
装帧平装
开本16开
纸张胶版纸
定价99元
上书时间2024-12-03
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:推荐系统
定价：99.00元
作者:陈开江
出版社：电子工业出版社
出版日期：2019-10-01
ISBN：9787121354724
字数：
页码：
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
√ 快：跨技术实践|管理决策视角，历数业界优选案例|工具，帮助非算法出身工程师快速搭建起可用系统。√ 通：旨在实现决策|架构|安全|运营无障碍沟通，覆盖产品|算法|工程|团队|个人成长|思维模式|问题类型。√ 全：纵向系统剖析推荐算法模型，从传统内容推荐、协同过滤到FM模型再到评价指标与深度学习应用。√ 珍：解密设计推荐系统不可或缺又不可多得一手资料，如信息流内在逻辑|典型工程架构|内部模块细节。
内容提要
目录
目录1 概念与思维 11.1 该要推荐系统吗 21.1.1 什么是推荐系统 21.1.2 是否需要推荐系统 41.1.3 小结 51.2 问题模式有哪些 71.2.1 预测问题模式 71.2.2 几个常见顽疾 101.2.3 小结 121.3 要具有什么样的思维模式 131.3.1 关键元素 131.3.2 思维模式 151.3.3 小结 192 产品漫谈 212.1 推荐系统的价值和成本 222.1.1 价值 222.1.2 成本 252.1.3 小结 272.2 信息流简史 282.2.1 前世今生 282.2.2 配套设施 292.2.3 小结 333 内容推荐 353.1 用户画像简介 363.1.1 什么是用户画像 363.1.2 关键因素 383.1.3 构建方法 403.1.4 小结 413.2 标签挖掘技术 423.2.1 挖掘标签的物料 423.2.2 标签库该有的样子 433.2.3 标签挖掘方法 453.2.4 小结 763.3 基于内容的推荐 783.3.1 为什么要做好内容推荐 783.3.2 基于内容的推荐系统 793.3.3 小结 834 近邻推荐 854.1 基于用户的协同过滤算法 864.1.1 协同过滤算法 864.1.2 基于用户的协同过滤算法原理 874.1.3 应用场景 984.1.4 小结 994.2 基于物品的协同过滤算法 1004.2.1 常见的应用场景 1004.2.2 算法原理 1014.2.3 小结 1104.3 相似度算法一览 1114.3.1 相似度的本质 1114.3.2 相似度计算方法 1124.3.3 向量化计算 1154.3.4 小结 1175 矩阵分解 1195.1 SVD算法 1205.1.1 历史背景 1205.1.2 首谈矩阵分解 1215.1.3 小结 1295.2 ALS算法 1305.2.1 再谈矩阵分解 1305.2.2 ALS算法原理 1315.2.3 隐式反馈 1325.2.4 推荐计算 1365.2.5 小结 1375.3 BPR算法 1385.3.1 三谈矩阵分解 1385.3.2 贝叶斯个性化排序 1395.3.3 小结 1466 模型融合 1476.1 线性模型和树模型 1486.1.1 为什么要融合 1486.1.2 “辑度组合”原理 1506.1.3 小结 1636.2 因子分解机 1646.2.1 从特征组合说起 1646.2.2 因子分解机详解 1656.2.3 小结 1736.3 Wide&Deep模型 1746.3.1 要“深”还是要“宽” 1746.3.2 Wide & Deep模型详解 1756.3.3 几点技巧 1806.3.4 模型实例 1826.3.5 小结 1867 探索和利用 1897.1 MAB问题与Bandit算法 1907.1.1 推荐即选择 1907.1.2 MAB问题 1917.1.3 Bandit算法 1927.1.4 冷启动 2017.1.5 小结 2017.2 加入特征的UCB算法 2027.2.1 UCB算法回顾 2027.2.2 LinUCB算法 2037.2.3 构建特征 2097.2.4 小结 2117.3 Bandit算法与协同过滤算法 2127.3.1 信息茧房 2127.3.2 COFIBA算法 2137.3.3 再谈EE问题 2227.3.4 小结 2238 深度学习 2258.1 深度隐因子 2268.1.1 深度学习与推荐系统 2268.1.2 各种“2Vec” 2298.1.3 深度Embedding 2328.1.4 深度学习与视频推荐 2368.1.5 小结 2388.2 深度CTR预估 2398.2.1 深度学习与CTR预估 2398.2.2 CTR预估 2408.2.3 小结 2489 其他算法 2499.1 排行榜 2509.1.1 为什么要有排行榜 2509.1.2 排行榜算法 2519.1.3 小结 2579.2 采样算法 2599.2.1 有限数据集 2609.2.2 无限数据集 2629.2.3 小结 2639.3 重复检测 2649.3.1 生产端的重复检测 2649.3.2 消费端的重复检测 2669.3.3 小结 26810 架构总览 26910.1 信息流推荐架构 27010.1.1 信息流的种类 27010.1.2 抓取聚合信息流 27110.1.3 社交动态信息流 27410.1.4 小结 28110.2 个性化首页架构 28210.2.1 架构的特质 28210.2.2 Netflix的个性化首页架构 28210.2.3 简化推荐系统架构 28710.2.4 小结 28910.3 搜索引擎、推荐系统及广告系统 29010.3.1 异同对比 29010.3.2 三者的架构 29210.3.3 三者的协同 29410.3.4 小结 29411 关键模块 29711.1 日志收集 29811.1.1 日志的用途 29811.1.2 详细方案 29911.1.3 小结 30511.2 实时推荐 30611.2.1 实时的层次 30611.2.2 实时推荐要点 30711.2.3 小结 31811.3 AB实验 31911.3.1 AB实验是什么 31911.3.2 AB实验框架 32111.3.3 实验数据分析 32711.3.4 小结 33111.4 推荐服务 33211.4.1 服务 33211.4.2 存储 33211.4.3 API 33611.4.4 小结 34011.5 开源工具 34111.5.1 不重复造轮子 34111.5.2 内容分析 34211.5.3 协同过滤和矩阵分解 34211.5.4 模型融合 34411.5.5 Web服务框架 34411.5.6 其他算法 34511.5.7 完整推荐系统 34511.5.8 小结 34512 效果保证 34712.1 测试及常用指标 34812.1.1 测试方法 34812.1.2 检测指标 35112.1.3 小结 35612.2 推荐系统的安全 35712.2.1 攻击手段 35712.2.2 防护方式 36012.2.3 小结 36213 团队与个人 36313.1 团队组建 36413.2 个人成长 36713.3 小结 370
作者介绍
陈开江，偶以“刑无刀”的名义“出没江湖”，初于北京理工大学学习自然语言处理，先后任职于新浪微博、车语传媒、贝壳找房等公司，做自然语言处理及推荐系统开发等工作，也曾有两三年与推荐系统有关的创业经验。有译著《机器学习：实用案例解析》，在公众号ResysChina上发表过推荐系统系列文章，在极客时间开设有《推荐系统36式》付费专栏。
序言
-
【封面】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价