大规模推荐系统实战

图书标准信息

• 作者 阿星(本名：张友雷
• 出版社 人民邮电出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787115593856
• 定价 99.80元
• 装帧 其他
• 开本 其他
• 纸张 胶版纸
• 页数 368页
• 字数 530千字

【内容简介】

作为机器学习领域应用比较成熟、广泛的业务，个性化推荐在电商、短视频等平台发挥着重要作用，其背后的推荐系统已成为当今越来越多应用程序的标配。关于推荐算法的论述有很多，而要将其很好地应用到实际场景中，则需要大量的实践经验。本书从实战的角度介绍推荐系统，主要包含三部分 ：召回算法、排序算法和工程实践。书中细致剖析了如何在工业中对海量数据应用算法，涵盖了从算法原理，到模型搭建、优化以及最佳实践等诸多内容。

【作者简介】

阿星 曾在字节跳动、苏宁易购等企业负责推荐/广告算法的设计、开发和优化工作，在应对海量数据下的算法建模以及点击率/转化率预估等任务中积累了大量实战经验。目前就职于跨境电商巨头SHEIN，负责提升全球核心业务场景的流量分发效率。

【目录】

前言 iii

第 1章 推荐系统 1

1.1 推荐系统是什么 1

1.1.1 京东商城 3

1.1.2 亚马逊 4

1.1.3 YouTube 6

1.2 推荐系统整体架构 8

1.3 推荐系统算法概述 9

1.3.1 召回算法 10

1.3.2 排序算法 14

1.4 周边配套系统 16

1.4.1 机器学习平台 18

1.4.2 特征平台 18

1.4.3 模型服务平台 19

1.4.4 A/B测试平台 19

1.5 总结 20

第 一部分 召回算法

第 2章 协同过滤 22

2.1 算法应用 24

2.2 算法原理 25

2.2.1 打分机制 26

2.2.2 物品相似度 31

2.3 算法实现 33

2.3.1 步骤1：数据源读取 34

2.3.2 步骤2：聚合用户行为 34

2.3.3 步骤3：局部物品相似度 35

2.3.4 步骤4和步骤5：全局物品相似度 36

2.3.5 步骤6：Top N 37

2.4 算法优化 37

2.4.1 无效用户过滤 38

2.4.2 热门惩罚 38

2.5 完整代码 39

2.6 准实时更新 42

2.6.1 数据准备 43

2.6.2 实时数据取数逻辑 44

2.6.3 准实时更新相似度 44

2.7 总结 45

第3章 关联规则 47

3.1 关联规则 48

3.1.1 定义 49

3.1.2 频繁项集 50

3.2 Apriori算法 51

3.2.1 频繁项集生成 51

3.2.2 关联规则生成 53

3.3 FPGrowth 54

3.3.1 FP树 54

3.3.2 逻辑 54

3.3.3 举例 55

3.3.4 运行 66

3.3.5 完整代码 68

3.3.6 数据集 69

3.3.7 源码分析 70

3.3.8 算法优化 76

3.4 总结 77

第4章 Word2Vec 78

4.1 词向量示例 80

4.2 数据准备 81

4.2.1 词汇表 82

4.2.2 训练数据 82

4.3 算法原理 83

4.3.1 模型结构 85

4.3.2 前向传播 86

4.3.3 反向传播 88

4.3.4 算法优化 89

4.4 源码分析 91

4.4.1 负采样概率表 91

4.4.2 sigmoid函数优化 93

4.5 算法实战 93

4.5.1 数据源 94

4.5.2 运行 94

4.5.3 相似度计算 95

4.6 LSH 算法 96

4.6.1 散列 96

4.6.2 算法逻辑 98

4.6.3 时间复杂度分析 102

4.6.4 错误率分析 102

4.6.5 召回率分析 104

4.7 Word2Vec与LSH 106

4.8 总结 107

第5章 深度学习双塔召回 108

5.1 向量化 109

5.2 双塔模型 110

5.2.1 数据准备 112

5.2.2 模型训练 112

5.2.3 模型对外服务 113

5.3 HNSW算法 115

5.3.1 二分查找 115

5.3.2 有序链表 117

5.3.3 跳表 118

5.3.4 HNSW算法 121

5.4 双塔模型与HNSW算法 129

5.5 负样本策略 131

5.6 总结 132

第6章 召回模型的离线评估 133

6.1 推荐任务类型 133

6.2 混淆矩阵 134

6.2.1 准确率 135

6.2.2 精确率 136

6.2.3 召回率 136

6.2.4 F1分数 137

6.2.5 @k 138

6.3 nDCG 139

6.3.1 CG 139

6.3.2 DCG 140

6.3.3 nDCG 140

6.3.4 @k 141

6.4 其他指标 142

6.4.1 MRR 142

6.4.2 MAP 142

6.4.3 多样性 143

6.4.4 覆盖度 144

6.4.5 信息熵 144

6.5 代码实现 144

6.5.1 实现逻辑 145

6.5.2 完整代码 146

6.6 总结 149

第二部分 排序算法

第7章 特征工程和特征选择 153

7.1 特征类型 155

7.1.1 类别特征 155

7.1.2 数值特征 155

7.1.3 序列特征 156

7.2 特征工程 156

7.2.1 特征样例 156

7.2.2 特征工程 159

7.2.3 TensorFlow特征列 164

7.3 特征选择 165

7.4 总结 167

第8章 传统机器学习排序算法 168

8.1 数据和模型 168

8.1.1 极大似然估计 169

8.1.2 最大后验概率估计 169

8.2 模型训练流程 170

8.3 手写逻辑回归 171

8.3.1 数据准备 172

8.3.2 数据读取 173

8.3.3 模型训练 173

8.3.4 完整代码 174

8.3.5 算法优缺点 177

8.4 手写因式分解机 178

8.4.1 完整代码 180

8.4.2 算法优缺点 183

8.5 其他经典排序算法 184

8.6 Q & A 185

8.7 总结 186

第9章 深度学习从训练到对外服务 188

9.1 深度学习简介 188

9.2 经典模型结构 191

9.2.1 Wide & Deep 191

9.2.2 Deep Interest Network 192

9.2.3 Behavior Sequence Transformer 194

9.3 建模流程 195

9.3.1 数据准备 197

9.3.2 特征工程 202

9.3.3 模型搭建 209

9.3.4 模型训练 213

9.3.5 模型导出 215

9.3.6 模型服务 216

9.4 再谈双塔模型 219

9.5 总结 220

第 10章 Listwise Learning To Rank从原理到实现 221

10.1 Listwise基本概念 222

10.1.1 page view 222

10.1.2 relevance 223

10.1.3 Listwise 223

10.2 损失函数 224

10.2.1 permutation probability 224

10.2.2 top one probability 226

10.2.3 交叉熵损失函数 227

10.3 ListNet 228

10.3.1 数据准备 229

10.3.2 模型搭建 236

10.3.3 模型训练、导出和服务 243

10.3.4 优化方向 244

10.4 总结 244

第 11章 排序算法的离线评估和在线评估 246

11.1 离线评估 246

11.1.1 ROC 曲线 247

11.1.2 ROC 曲线下的面积 249

11.1.3 PR 曲线 254

11.1.4 GAUC 256

11.2 在线评估 257

11.2.1 A/B测试简介 257

11.2.2 朴素分流方案 258

11.2.3 分层分流方案 260

11.2.4 可信度评估 262

11.3 在线离线不一致 267

11.3.1 特征不一致 267

11.3.2 数据分布不一致 268

11.3.3 模型与业务目标不一致 268

11.3.4 验证集设计不合理 268

11.4 总结 270

第 12章 推荐算法建模最佳实践 271

12.1 深度学习调参 272

12.1.1 学习率 272

12.1.2 batch size 279

12.1.3 epoch 279

12.1.4 隐藏层数 280

12.1.5 隐藏节点数 280

12.1.6 激活函数 280

12.1.7 权重初始化 280

12.1.8 优化器 281

12.1.9 其他实践 281

12.2 现实数据问题 281

12.2.1 类别失衡 282

12.2.2 位置偏差 286

12.2.3 海量数据下的调参 287

12.2.4 其他实践 288

12.3 总结 288

第三部分 工程实践

第 13章 冷启动问题 290

13.1 冷启动概述 291

13.2 用户冷启动 292

13.2.1 热门排行榜 292

13.2.2 上下文信息 294

13.2.3 其他策略 295

13.3 物品冷启动 296

13.3.1 基于内容的过滤 296

13.3.2 推荐策略 299

13.4 系统冷启动 301

13.5 总结 306

第 14章 增量更新和迁移学习 307

14.1 离线训练 307

14.1.1 数据流向 307

14.1.2 更新方式 308

14.2 在线训练 310

14.2.1 数据流向 310

14.2.2 样本生成 312

14.2.3 延迟反馈 314

14.3 迁移学习 317

14.4 总结 320

第 15章 分布式TensorFlow 321

15.1 分布式的理由 321

15.2 并行方式 322

15.2.1 模型并行 323

15.2.2 数据并行 324

15.3 参数共享与更新 325

15.3.1 同步更新 326

15.3.2 异步更新 327

15.4 分布式训练架构 329

15.4.1 Parameter Server架构 329

15.4.2 Ring All Reduce架构 331

15.5 单机代码移植 334

15.5.1 数据准备 334

15.5.2 模型搭建 337

15.5.3 模型训练 337

15.5.4 模型导出 340

15.6 分布式训练框架 340

15.6.1 基于Kubernetes的分布式训练框架 340

15.6.2 基于Flink的分布式训练框架 344

15.7 总结 345

第 16章 示例：推荐算法训练代码框架设计 346

16.1 问题 347

16.2 解题思路 348

16.2.1 数据问题 348

16.2.2 训练问题 349

16.3 详细设计 350

16.3.1 配置解析 351

16.3.2 数据读取 352

16.3.3 模型搭建 352

16.3.4 完整流程 353

16.4 代码实现 353

16.4.1 配置解析 354

16.4.2 特征处理 359

16.5 总结 362

第 17章 回顾和探索 363

17.1 回顾 363

17.2 探索 364

17.2.1 数据 364

17.2.2 算法 366

17.2.3 平台 367

17.2.4 安全 367

17.3 总结 368