智能搜索和推荐系统：原理 算法与应用

图书标准信息

• 作者 刘宇 赵宏宇 刘书斌 孙明珠
• 出版社 机械工业出版社
• 出版时间 2021-01
• 版次 1
• ISBN 9787111670674
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸

【内容简介】

本书分为4大部分。*部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；*后，描述知识图谱相关基础理论。
  第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。
  第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。
  第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。

【目录】

推荐序一

推荐序二

前言

第一部分　搜索和推荐系统的基础

第1章　概率统计与应用数学基础知识2

1.1　概率论基础2

1.1.1　概率定义2

1.1.2　随机变量5

1.1.3　基础的概率分布5

1.1.4　期望、方差、标准差、协方差8

1.2　线性代数基础10

1.2.1　矩阵10

1.2.2　向量10

1.2.3　张量11

1.2.4　特征向量和特征值12

1.2.5　奇异值分解12

1.3　机器学习基础13

1.3.1　导数13

1.3.2　梯度14

1.3.3　最大似然估计14

1.3.4　随机过程与隐马尔可夫模型15

1.3.5　信息熵16

1.4　本章小结18

第2章　搜索系统和推荐系统常识19

2.1　搜索系统19

2.1.1　什么是搜索引擎及搜索系统19

2.1.2　搜索引擎的发展史21

2.1.3　搜索引擎的分类22

2.2　推荐系统23

2.2.1　什么是推荐系统24

2.2.2　推荐系统的发展史24

2.2.3　推荐系统应用场景25

2.2.4　推荐系统的分类26

2.3　搜索与推荐的区别29

2.4　本章小结30

第3章　知识图谱相关理论31

3.1　知识图谱概述31

3.1.1　什么是知识图谱31

3.1.2　知识图谱的价值33

3.1.3　知识图谱的架构35

3.1.4　知识图谱的表示与建模36

3.2　信息抽取39

3.2.1　实体识别40

3.2.2　关系抽取46

3.3　知识融合50

3.3.1　实体对齐50

3.3.2　实体消歧51

3.4　知识加工53

3.4.1　知识推理53

3.4.2　质量评估58

3.5　本章小结58

第二部分　搜索系统的基本原理

第4章　搜索系统框架及原理60

4.1　搜索系统的框架60

4.1.1　基本框架60

4.1.2　搜索引擎是如何工作的62

4.2　数据收集及预处理 64

4.2.1　爬虫64

4.2.2　数据清洗66

4.2.3　存储空间及分布式设计 68

4.3　文本分析70

4.3.1　查询处理71

4.3.2　意图理解82

4.3.3　其他文本分析方法85

4.4　基于知识图谱的搜索系统90

4.5　本章小结92

第5章　搜索系统中的主要算法93

5.1　信息检索基本模型93

5.1.1　布尔模型93

5.1.2　向量空间模型94

5.1.3　概率检索模型96

5.1.4　其他模型100

5.2　搜索和机器学习102

5.2.1　排序学习102

5.2.2　排序学习示例107

5.3　搜索和深度学习116

5.3.1　DNN模型116

5.3.2　DSSM模型118

5.3.3　Transformer120

5.4　本章小结126

第6章　搜索系统评价127

6.1　搜索系统评价的意义127

6.2　搜索系统的评价体系127

6.2.1　效率评价128

6.2.2　效果评价130

6.3　本章小结136

第三部分　推荐系统的基本原理

第7章　推荐系统框架及原理138

7.1　推荐系统的框架及运行138

7.1.1　基本框架139

7.1.2　组件及功能140

7.1.3　推荐引擎是如何工作的141

7.1.4　推荐系统的经典问题142

7.2　推荐系统的冷启动145

7.3　推荐系统的召回策略150

7.3.1　基于行为相似的召回150

7.3.2　基于内容相似的召回153

7.4　推荐系统排序160

7.4.1　特征选择的方法160

7.4.2　推荐系统的排序过程164

7.5　基于知识图谱的推荐系统166

7.6　本章小结168

第8章　推荐系统的主要算法169

8.1　矩阵分解169

8.1.1　奇异值分解170

8.1.2　交替最小二乘171

8.1.3　贝叶斯个性化排序172

8.2　线性模型174

8.2.1　FM模型175

8.2.2　FFM模型176

8.3　树模型177

8.3.1　决策树模型177

8.3.2　集成算法模型183

8.4　深度学习模型191

8.4.1　Wide & Deep模型191

8.4.2　Deep FM模型197

8.5　本章小结199

第9章　推荐系统的评价200

9.1　推荐评估的目的200

9.2　推荐系统的评价指标200

9.2.1　RMSE和R方204

9.2.2　MAP和MRR204

9.2.3　其他相关指标205

9.3　推荐系统的评估实验方法206

9.3.1　离线评估206

9.3.2　在线评估209

9.3.3　主观评估213

9.4　本章小结217

第四部分　应用

第10章　搜索引擎工具220

10.1　Lucene简介220

10.1.1　Lucene的由来及现状220

10.1.2　Lucene创建索引过程分析223

10.1.3　Lucene的搜索过程解析224

10.2　Solr简介226

10.2.1　Solr特性228

10.2.2　Solr的核心概念228

10.2.3　Solr的核心功能228

10.3　Elasticsearch简介230

10.3.1　Elasticsearch的核心概念230

10.3.2　Elasticsearch的核心功能231

10.4　搜索引擎工具对比232

10.5　本章小结233

第11章　搜索应用实战：基于电商的搜索开发234

11.1　电商搜索系统的架构设计234

11.2　ES在搜索系统中的应用236

11.3　NLP在搜索系统中的应用237

11.4　商品数据排序算法研究240

11.5　搜索排序的评价及优化241

11.6　深度学习在搜索系统中的应用243

11.7　电商搜索系统中的SEM243

11.8　本章小结246

第12章　推荐应用实战：基于广告平台的推荐247

12.1　推荐系统的架构设计247

12.2　推荐系统的召回和冷启动249

12.3　ES在推荐系统中的应用251

12.4　推荐系统中NLP的应用252

12.5　推荐系统中粗排和精排253

12.6　推荐系统的评价和优化254

12.7　深度学习在推荐系统应用255

12.8　本章小结257