业务驱动的推荐系统:方法与实践:methods and practices9787111720935
正版图书，可开发票，请放心购买。
￥ 66.75 7.5折 ￥ 89 全新
库存122件
广东广州
认证卖家担保交易快速发货售后保障
作者付聪
出版社机械工业出版社
ISBN9787111720935
出版时间2022-11
装帧平装
开本16开
定价89元
货号12220905
上书时间2024-12-17
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
CONTENTS目 录前言第一部分 业务驱动下的推荐系统总览第1章 从业务视角看推荐系统2 1.1 推荐系统的定义与商业价值21.1.1 推荐系统的基本概念与业务驱动思想31.1.2 浅谈个性化推荐带来的商业价值7 1.2 从运营、算法与工程视角看推荐系统71.2.1 推荐业务运营思维：货找人81.2.2 推荐算法建模思维：人找货101.2.3 推荐引擎工程展望：服务产品化11第2章 从业务视角看推荐系统的顶层设计12 2.1 业务驱动下的推荐系统设计思想122.1.1 业务无关的推荐系统抽象132.1.2 推荐算法模块核心能力的建设15 2.2 从系统框架透视业务生态循环172.2.1 系统大图剖析172.2.2 监察者：埋点日志服务172.2.3 业务大脑：数据计算、分析及仓储服务182.2.4 主循环系统：召回与排序模块192.2.5 副循环系统：运营管控与作业模块212.2.6 新陈代谢：运维与实验平台22 2.3 迭代效率大化：图化服务和配置化迭代25第3章 评估推荐系统的方式与维度27 3.1 业务驱动型推荐系统的评估要点273.1.1 体验优先准则和量化方式283.1.2 评估推荐系统的方法论293.1.3 从3种业务价值出发设计评估体系31 3.2 B端业务：B端用户体验的评估维度313.2.1 平台玩法的可解释性313.2.2 投放效果的可预测性323.2.3 投入产出比333.2.4 基尼指数34 3.3 C端业务：C端用户体验的评估维度343.3.1 兴趣相关性353.3.2 内容质量353.3.3 结果多样性353.3.4 推荐惊喜性36 3.4 平台成长：平台价值评估维度363.4.1 产品调性和品牌印象373.4.2 消费与转化率373.4.3 高、中、低活用户留存373.4.4 活跃用户量38 3.5 评估方法概览383.5.1 用户调研393.5.2 离线评估393.5.3 在线评估42 3.6 AB实验423.6.1 AB实验中的流量切分设计433.6.2 AB实验的通用流程443.6.3 实验结果的显著性校验和关联分析443.6.4 实验报表与监控报警45第二部分 推荐系统的数据工程第4章 业务标签体系48 4.1 业务标签体系概述484.1.1 业务标签体系的含义484.1.2 业务标签体系的价值494.1.3 标签体系为什么要业务定制化49 4.2 业务标签体系的设计思路504.2.1 业务标签体系的概念设计504.2.2 业务标签体系的系统设计52 4.3 业务标签的挖掘方法534.3.1 提取式标签挖掘544.3.2 生成式标签挖掘554.3.3 基于主动学习的人机协同标注系统564.3.4 标签改写、纠错与聚合564.3.5 标签权重计算57 4.4 业务标签体系的评估方法584.4.1 离线评估584.4.2 在线评估59第5章 用户画像：业务层面的人格抽象60 5.1 用户画像概述605.1.1 用户画像的含义605.1.2 用户画像的业务价值和算法价值61 5.2 用户画像设计615.2.1 用户画像概念体系设计615.2.2 用户画像数据系统设计64 5.3 用户画像的构建与迭代655.3.1 人工挖掘方法655.3.2 基于机器学习的挖掘方法665.3.3 用户画像的优化迭代685.3.4 用户画像权重计算70 5.4 用户画像的评估方法715.4.1 离线评估715.4.2 在线评估72第6章 生态循环的血液：数据获取与处理73 6.1 埋点日志服务与埋点体系的设计思想736.1.1 埋点日志服务简介746.1.2 业务驱动的埋点体系设计思想75 6.2 可扩展的业务埋点体系776.2.1 SPM埋点体系776.2.2 SCM埋点体系776.2.3 扩展埋点体系EXT786.2.4 会话级埋点设计与消费路径跟踪78 6.3 基于埋点数据的处理和分析796.3.1 常见重要数据指标释义796.3.2 漏斗效应和优化分析81第7章 业务定制化特征和样本工程设计83 7.1 推荐特征体系概览837.1.1 推荐特征体系简介847.1.2 特征体系的设计思想85 7.2 推荐系统特征设计及案例867.2.1 用户描述性特征867.2.2 用户特征的人群泛化877.2.3 内容描述性特征877.2.4 内容统计类特征887.2.5 内容统计类特征泛化887.2.6 用户与内容的交叉特征设计897.2.7 用户历史行为序列特征设计917.2.8 实时特征的定义和价值927.2.9 实时统计特征设计和数据流程927.2.10 基于机器学习的特征构造94 7.3 特征应用常见问题957.3.1 多值特征处理957.3.2 在线、离线特征的一致性96 7.4 特征去噪967.4.1 威尔逊置信区间方法967.4.2 对数平滑方法977.4.3 百分位点离散化方法97 7.5 特征样本构造和模型训练97 7.6 时间穿越及处理987.6.1 时间穿越的定义及影响987.6.2 样本现场还原98 7.7 特征与样本消偏99 7.8 特征评估方法100第三部分 推荐系统的算法原理 与实践第8章 业务驱动视角下的召回技术104 8.1 推荐系统召回技术概览1048.1.1 推荐系统召回技术的业务定位1048.1.2 业务驱动下的召回技术建模思维106 8.2 召回中的策略框架1088.2.1 圈池策略1088.2.2 召回多样性策略1088.2.3 基于业务策略的召回1098.2.4 召回模块框架109 8.3 U2I召回算法1118.3.1 UserCF算法1118.3.2 矩阵补全算法1138.3.3 向Neural CF迈进：Deep Match框架114 8.4 I2I召回算法1178.4.1 I2I召回的业务价值及特点1178.4.2 Trigger Selection方法1188.4.3 ItemCF算法1188.4.4 Item2Vec算法118 8.5 基于图结构的召回算法1198.5.1 图召回的前世今生和业务价值1198.5.2 Swing I2I召回算法1208.5.3 GraphSage算法122 8.6 向量召回的另一面：近似检索算法1278.6.1 ENN向量检索与ANN向量检索1288.6.2 ANN向量检索算法的分类及特点1308.6.3 HC检索算法1318.6.4 IVF-PQ检索算法与Faiss1338.6.5 SSG检索算法138 8.7 召回中的采样技术140第9章 业务驱动视角下的排序技术142 9.1 排序模块概览1429.1.1 排序模块的业务价值1429.1.2 业务驱动下的排序模块组件143 9.2 粗排模块1449.2.1 粗排模块的业务价值和技术思考变迁1449.2.2 粗排算法选型原则1459.2.3 GBDT算法1459.2.4 GBDT+LR复合排序1499.2.5 双塔深度网络1509.2.6 从精排模型蒸馏出粗排模型151 9.3 精排模型1529.3.1 精排模型的特点与业务价值1529.3.2 从LR到FM：从半人工走向全自动1539.3.3 端到端暴力美学：精排CIN模块1559.3.4 序列特征建模1579.3.5 稠密特征处理1589.3.6 归纳偏执处理1599.3.7 特征融合1609.3.8 广义LR排序范式160 9.4 多准则排序1619.4.1 多准则排序简介及业务意义1619.4.2 MMoE建模多准则任务1619.4.3 多目标的融合1639.4.4 从Point-wise到List-wise：强化学习重排序1659.4.5 解决数据匮乏问题：生成式强化学习重排167第10章 算法辅助人工：决策智能168 10.1 决策智能概述16810.1.1 决策智能的含义16810.1.2 推荐业务中的决策智能169 10.2 决策智能与推荐探索利用机制16910.2.1 冷启动中的决策智能16910.2.2 场景冷启动中的人工部分17010.2.3 新用户冷启动中的人工部分17210.2.4 冷启动决策中的迁移学习17310.2.5 新内容冷启动算法175 10.3 因果推断技术17810.3.1 决策智能与因果推断17810.3.2 智能营销与上推建模179 10.4 流量调控18110.4.1 流量调控的业务价值与应用场景18110.4.2 异质内容混排及强化学习应用18110.4.3 履约保量的流量调控及算法184第四部分 推荐算法工程师的 自我成长第11章 推荐算法工程师的成长路径188 11.1 技术：推荐算法工程师的立身之本18811.1.1 推荐算法工程师的知识体系18811.1.2 推荐算法工程师的技术成长路径189 11.2 业务：推荐算法工程师的立业之道19011.2.1 推荐算法工程师的业务成长路径19111.2.2 推荐算法业务目标优化迭代的节奏192 11.3 推荐算法工程师的自我修养19311.3.1 推荐算法工程师的工作日常19311.3.2 优秀的推荐算法工程师的特征19411.3.3 在自证价值和技术沉淀中寻求平衡195
内容摘要
这是一本从业务视角解读推荐系统架构设计、评估方法、数据工程和算法原理的著作。市面上推荐系统方面的著作，内容多以推荐技术、算法和模型为主，让读者误以为掌握了推荐算法就能用好推荐系统并提升业务指标，其实推荐算法只是工具，要真正发挥推荐系统的价值，需要将推荐系统植根于业务之上。本书从业务视角出发，描绘了当下主流推荐系统的设计思想和架构全貌，重点突出系统每个模块所需要解决的问题，进而介绍一到两种实践检验普遍有效、在学术界具备里程碑性质的算法。帮助读者练成识别算法的火眼金睛，从每年大量产出的新算法研究中去粗取精，真正解决实际问题。阅读本书，你将有如下收获：从商业、运营、算法、工程视角理解推荐系统，对推荐系统的认知更加立体化；从业务视角理解推荐系统的顶层设计，掌握业务驱动的推荐系统设计思想；掌握业务驱动型推荐系统的评估方法，涵盖B端、C端和平台等多个维度；了解推荐系统的数据工程，掌握获取各类数据、构建特征体系的方法；从业务视角理解召回、排序和决策智能方面的经典算法和学术界有里程碑意义的算法；从技术和业务的双重视角去规划推荐算法工程师的成长路径，以达到事半功倍的效果。
主编推荐
（1）作者背景资深：作者是资深推荐系统专家，曾在阿里担任推荐和搜索方面的算法专家，是工业级高性能高维数据检索算法NSG、SSG的发明人。（2）内容另辟蹊径：不以推荐算法为核心，而是从业务视角解读推荐系统的架构设计、数据工程、算法原理，揭秘千万级DAU工业推荐系统的构建、优化奥秘。（3）重磅专家推荐：百度首席科学家王井东，浙江大学教授、青年973首席科学家蔡登，美国南加州大学终身教授任翔联袂推荐。
精彩内容
这是一本从业务视角解读推荐系统架构设计、评估方法、数据工程和算法原理的著作。市面上推荐系统方面的著作，内容多以推荐技术、算法和模型为主，让读者误以为掌握了推荐算法就能用好推荐系统并提升业务指标，其实推荐算法只是工具，要真正发挥推荐系统的价值，需要将推荐系统植根于业务之上。本书从业务视角出发，描绘了当下主流推荐系统的设计思想和架构全貌，重点突出系统每个模块所需要解决的问题，进而介绍一到两种实践检验普遍有效、在学术界具备里程碑性质的算法。帮助读者练成识别算法的火眼金睛，从每年大量产出的新算法研究中去粗取精，真正解决实际问题。阅读本书，你将有如下收获：从商业、运营、算法、工程视角理解推荐系统，对推荐系统的认知更加立体化；从业务视角理解推荐系统的顶层设计，掌握业务驱动的推荐系统设计思想；掌握业务驱动型推荐系统的评估方法，涵盖B端、C端和平台等多个维度；了解推荐系统的数据工程，掌握获取各类数据、构建特征体系的方法；从业务视角理解召回、排序和决策智能方面的经典算法和学术界有里程碑意义的算法；从技术和业务的双重视角去规划推荐算法工程师的成长路径，以达到事半功倍的效果。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价