构建企业级系统：算法、工程实现与案例分析刘强机械工业9787111686163全新正版
￥ 96.78 7.5折 ￥ 129 全新
库存4件
河南平顶山
认证卖家担保交易快速发货售后保障
作者刘强
出版社机械工业
ISBN9787111686163
出版时间2021-07
装帧平装
开本其他
定价129元
货号31207366
上书时间2024-11-06
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
目录
前 言<br/>第一篇 推荐系统基础认知<br/>第1章 推荐系统介绍 2<br/>1.1 推荐系统产生的背景 2<br/>1.2 推荐系统解决什么问题 3<br/>1.3 推荐系统的应用领域 3<br/>1.4 推荐系统的定义 4<br/>1.5 常用的推荐算法 5<br/>1.5.1 基于内容的推荐 5<br/>1.5.2 协同过滤 5<br/>1.5.3 基于模型的推荐 6<br/>1.5.4 基于社交关系的推荐 6<br/>1.6 构建推荐系统的阻碍与挑战 6<br/>1.7 推荐系统的价值 7<br/>1.8 本章小结 8<br/>第二篇 推荐系统基础算法<br/>第2章 推荐算法基础 10<br/>2.1 推荐系统范式 10<br/>2.2 推荐算法3阶段pipeline架构 14<br/>2.3 推荐召回算法 15<br/>2.3.1 完全非个性化范式 15<br/>2.3.2 完全个性化范式 15<br/>2.3.3 群组个性化范式 19<br/>2.3.4 标的物关联标的物范式 20<br/>2.3.5 笛卡儿积范式 22<br/>2.4 排序算法 22<br/>2.4.1 logistic回归模型 23<br/>2.4.2 GBDT模型 24<br/>2.4.3 Wide & Deep模型 24<br/>2.5 推荐算法落地需要关注的几个问题 24<br/>2.5.1 推荐算法工程落地一定要用到排序模块吗 24<br/>2.5.2 推荐算法服务于用户的两种形式 25<br/>2.5.3 推荐系统评估 25<br/>2.6 本章小结 25<br/>第3章 基于内容的推荐算法 27<br/>3.1 什么是基于内容的推荐算法 27<br/>3.2 基于内容的推荐算法的实现原理 28<br/>3.2.1 基于用户和标的物特征为用户推荐的核心思想 29<br/>3.2.2 构建用户特征表示 29<br/>3.2.3 构建标的物特征表示 30<br/>3.2.4 为用户做个性化推荐 36<br/>3.3 基于内容的推荐算法应用场景 39<br/>3.4 基于内容的推荐算法的优缺点 40<br/>3.4.1 优点 41<br/>3.4.2 缺点 41<br/>3.5 基于内容的推荐算法落地需要关注的问题 42<br/>3.5.1 内容来源的获取 42<br/>3.5.2 怎么利用负向反馈 43<br/>3.5.3 兴趣随时间变化 44<br/>3.5.4 数据清洗 44<br/>3.5.5 加速计算与节省资源 44<br/>3.5.6 解决基于内容的推荐越推越窄的问题 44<br/>3.5.7 工程落地技术选型 45<br/>3.5.8 业务的安全性 45<br/>3.6 本章小结 45<br/>第4章 协同过滤推荐算法 47<br/>4.1 协同过滤思想简介 47<br/>4.2 协同过滤算法原理介绍 48<br/>4.2.1 基于用户的协同过滤 49<br/>4.2.2 基于标的物的协同过滤 49<br/>4.3 离线协同过滤算法的工程实现 49<br/>4.3.1 计算topN相似度 50<br/>4.3.2 为用户生成推荐 52<br/>4.4 近实时协同过滤算法的工程实现 54<br/>4.4.1 获取用户在一个时间窗口内的行为 54<br/>4.4.2 基于用户行为记录更新标的物关联表CR 55<br/>4.4.3 更新用户的行为记录HBase表：UAction 55<br/>4.4.4 为用户生成个性化推荐 55<br/>4.5 协同过滤算法的应用场景 57<br/>4.5.1 完全个性化推荐 57<br/>4.5.2 标的物关联标的物推荐 58<br/>4.5.3 其他应用形式及场景 58<br/>4.6 协同过滤算法的优缺点 58<br/>4.6.1 优点 59<br/>4.6.2 缺点 59<br/>4.7 协同过滤算法落地到业务场景需要关注的问题 60<br/>4.7.1 两种协同过滤算法的选择 60<br/>4.7.2 对时间加权 60<br/>4.7.3 关于用户对标的物的评分 61<br/>4.7.4 相似度计算 61<br/>4.7.5 冷启动问题 62<br/>4.8 本章小结 63<br/>第5章 基于朴素ML思想的协同过滤算法 65<br/>5.1 基于关联规则的推荐算法 65<br/>5.2 基于朴素贝叶斯的推荐算法 67<br/>5.3 基于聚类的推荐算法 70<br/>5.3.1 基于用户聚类的推荐 70<br/>5.3.2 基于标的物聚类的推荐 71<br/>5.4 YouTube基于关联规则思路的视频推荐算法 71<br/>5.4.1 计算两个视频的相似度（关联度） 72<br/>5.4.2 基于单个种子视频生成候选视频集 72<br/>5.4.3 基于用户行为为用户生成推荐候选集 72<br/>5.4.4 推荐结果排序 73<br/>5.5 Google News基于贝叶斯框架的推荐算法 74<br/>5.5.1 基于用户过去的行为来分析用户的兴趣点 75<br/>5.5.2 利用贝叶斯框架来建模用户的兴趣 75<br/>5.5.3 为用户做个性化推荐 78<br/>5.6 Google News基于用户聚类的推荐算法 78<br/>5.6.1 基于MinHash聚类 78<br/>5.6.2 基于聚类为用户做推荐 80<br/>5.7 本章小结 80<br/>第6章 矩阵分解推荐算法 83<br/>6.1 矩阵分解推荐算法的核心思想 83<br/>6.2 矩阵分解推荐算法的算法原理 84<br/>6.3 矩阵分解推荐算法的求解方法 85<br/>6.3.1 利用SGD来求解矩阵分解 85<br/>6.3.2 利用ALS来求解矩阵分解 86<br/>6.4 矩阵分解推荐算法的拓展与优化 87<br/>6.4.1 整合偏差项 87<br/>6.4.2 增加更多的用户信息输入 87<br/>6.4.3 整合时间因素 88<br/>6.4.4 整合用户对评分的置信度 89<br/>6.4.5 隐式反馈 89<br/>6.4.6 整合用户和标的物metadata信息 90<br/>6.5 近实时矩阵分解算法 91<br/>6.5.1 算法原理 92<br/>6.5.2 工程实现 94<br/>6.6 矩阵分解算法的应用场景 97<br/>6.6.1 应用于完全个性化推荐场景 97<br/>6.6.2 应用于标的物关联标的物场景 98<br/>6.6.3 应用于用户及标的物聚类 98<br/>6.6.4 应用于群组个性化场景 98<br/>6.7 矩阵分解算法的优缺点 99<br/>6.7.1 优点 99<br/>6.7.2 缺点 100<br/>6.8 本章小结 101<br/>第7章 因子分解机 103<br/>7.1 分解机简单介绍 103<br/>7.2 分解机参数预估与模型价值 105<br/>7.2.1 分解机在稀疏场景下的参数估计 106<br/>7.2.2 分解机的计算复杂度 106<br/>7.2.3 分解机模型求解 107<br/>7.2.4 模型预测 107<br/>7.3 分解机与其他模型的关系 108<br/>7.3.1 FM与矩阵分解的联系 108<br/>7.3.2 FM与SVM的联系 108<br/>7.4 分解机的工程实现 110<br/>7.5 分解机的拓展 112<br/>7.5.1 高阶分解机 112<br/>7.5.2 FFM 113<br/>7.5.3 DeepFM 113<br/>7.6 近实时分解机 114<br/>7.7 分解机在推荐系统上的应用 114<br/>7.7.1 用户与标的物的交互行为信息 115<br/>7.7.2 用户相关信息 115<br/>7.7.3 标的物相关信息 115<br/>7.7.4 上下文信息 115<br/>7.8 分解机的优势 116<br/>7.9 本章小结 117<br/>第三篇 推荐系统进阶算法<br/>第8章 推荐系统冷启动 120<br/>8.1 冷启动的概念 120<br/>8.2 解决冷启动面临的挑战 121<br/>8.3 解决冷启动的重要性 121<br/>8.4 解决冷启动的方法和策略 122<br/>8.4.1 用户冷启动 123<br/>8.4.2 标的物冷启动 125<br/>8.4.3 系统冷启动 126<br/>8.4.4 新的视角看冷启动 126<br/>8.5 不同推荐产品形态解决冷启动的方案 128<br/>8.6 设计冷启动需要注意的问题 129<br/>8.7 冷启动的未来发展趋势 130<br/>8.8 本章小结 131<br/>第9章 嵌入方法在推荐系统中的应用 132<br/>9.1 嵌入方法简介 132<br/>9.2 嵌入方法应用于推荐系统的一般思路 133<br/>9.2.1 学习标的物的嵌入表示 134<br/>9.2.2 同时学习用户和标的物的嵌入表示 135<br/>9.3 用于推荐系统的嵌入方法的算法原理介绍 135<br/>9.3.1 基于矩阵分解的嵌入 135<br/>9.3.2 基于Word2vec的嵌入 136<br/>9.3.3 基于有向图的嵌入 137<br/>9.3.4 基于深度神经网络的嵌入 138<br/>9.4 嵌入方法在推荐系统中的应用案例介绍 139<br/>9.4.1 利用矩阵分解嵌入做推荐 139<br/>9.4.2 利用Item2vec获得标的物的嵌入做推荐 139<br/>9.4.3 阿里盒马的联合嵌入推荐模型 140<br/>9.4.4 淘宝基于图嵌入的推荐算法 143<br/>9.4.5 整合标的物多种信息的Content2vec模型 145<br/>9.5 利用嵌入方法解决冷启动问题 146<br/>9.5.1 通过ID间的结构连接关系及特征迁移解决冷启动问题 146<br/>9.5.2 通过图片、文本内容嵌入解决冷启动问题 148<br/>9.6 本章小结 148<br/>第10章 深度学习在推荐系统中的应用 151<br/>10.1 深度学习介绍 152<br/>10.2 利用深度学习技术构建推荐系统的方法和思路 153<br/> 10.2.1 从推荐系统中使用的深度学习技术角度看 154<br/> 10.2.2 从推荐系统的预测目标角度看 154<br/> 10.2.3 从推荐算法的归类角度看 155<br/>10.3 工业界几个经典深度学习推荐算法介绍 156<br/> 10.3.1 YouTube的深度学习推荐系统 156<br/> 10.3.2 Google的Wide & Deep深度学习推荐模型 160<br/> 10.3.3 阿里基于兴趣树的深度学习推荐算法 163<br/> 10.3.4 Google的神经网络协同过滤深度学习推荐算法 166<br/>10.4 开源深度学习框架&推荐算法 168<br/> 10.4.1 TensorFlow（Keras） 168<br/> 10.4.2 PyTorch（Caffe） 169<br/> 10.4.3 MxNet 169<br/> 10.4.4 DeepLearning4j 170<br/> 10.4.5 百度的PaddlePaddle 170<br/> 10.4.6 腾讯的Angel 170<br/> 10.4.7 微软开源的推荐算法库recommenders 171<br/>10.5 深度学习技术应用于推荐系统的优缺点及挑战 171<br/> 10.5.1 优点 171<br/> 10.5.2 缺点与挑战 172<br/>10.6 深度学习推荐系统工程实施建议 174<br/> 10.6.1 深度学习的效果真的有那么好吗 174<br/> 10.6.2 团队是否适合引入深度学习推荐技术 174<br/> 10.6.3 打通深度学习相关技术栈与团队现有技术栈 175<br/> 10.6.4 从经典成熟的模型与跟公司业务接近的模型着手 175<br/>10.7 深度学习推荐系统的未来发展 176<br/> 10.7.1 算法模型维度 176<br/> 10.7.2 工程维度 176<br/> 10.7.3 应用场景维度 177<br/> 10.7.4 数据维度 177<br/> 10.7.5 产品呈现与交互维度 178<br/>10.8 本章小结 178<br/>第11章 混合推荐系统介绍 182<br/>11.1 什么是混合推荐系统 182<br/>11.2 混合推荐系统的价值 183<br/> 11.2.1 冷启动问题 183<br/> 11.2.2 数据稀疏性问题 183<br/> 11.2.3 马太效应 183<br/> 11.2.4 灰羊效应 183<br/> 11.2.5 投资组合效应 184<br/> 11.2.6 稳定性/可塑性问题 184<br/>11.3 混合推荐系统的实现方案 185<br/> 11.3.1 单体的混合范式 185<br/> 11.3.2 并行的混合范式 186<br/> 11.3.3 流水线混合范式 187<br/>11.4 工业级推荐系统与混合推荐 188<br/> 11.4.1 实时推荐系统与混合推荐 190<br/> 11.4.2 深度学习等复杂推荐模型整合多数据源和多模型 190<br/> 11.4.3 特殊情况下的处理策略 191<br/> 11.4.4 推荐数量不足的增补 191<br/> 11.4.5 通过混合策略解决用户冷启动 191<br/>11.5 对混合推荐系统的思考 192<br/> 11.5.1 整合实时推荐中用户的短期和长期兴趣 193<br/> 11.5.2 利用单个复杂模型建模多源信息 193<br/> 11.5.3 多源的标的物混合 193<br/> 11.5.4 家庭场景中多人兴趣的混合推荐 194<br/> 11.5.5 用户在多APP场景下行为的混合 195<br/> 11.5.6 用户多状态（场景）的融合推荐 195<br/>11.6 本章小结 195<br/>第12章 构建可解释性推荐系统 198<br/>12.1 可解释性推荐系统简介 198<br/> 12.1.1 什么是推荐解释 198<br/> 12.1.2 推荐解释的价值 199<br/> 12.1.3 互联网推荐产品的推荐解释模型 200<br/> 12.1.4 推荐解释的形式 200<br/> 12.1.5 推荐解释的现状 200<br/>12.2 构建可解释性推荐系统的方法 201<br/> 12.2.1 基于用户关系来做推荐解释 201<br/> 12.2.2 基于标的物相似关系来做推荐解释 203<br/> 12.2.3 基于标签来做推荐解释 203<br/> 12.2.4 其他推荐解释方式 204<br/>12.3 常用工业级推荐产品的推荐解释 205<br/> 12.3.1 完全个性化范式的推荐解释 205<br/> 12.3.2 标的物关联标的物范式的推荐解释 207<br/> 12.3.3 其他推荐范式的推荐解释 208<br/>12.4 做好推荐解释需要关注的几个问题 208<br/>12.5 构建可解释性推荐系统面临的挑战与机遇 210<br/> 12.5.1 混合推荐算法让推荐解释更加困难 210<br/> 12.5.2 设计实时个性化推荐解释面临的技术挑战 211<br/> 12.5.3 企业管理者/数据产品经理更关注精准度而不是解释性 211<br/> 12.5.4 黑盒推荐算法很难解释 211<br/> 12.5.5 普适的推荐解释框架 211<br/> 12.5.6 利用知识图谱做解释 211<br/> 12.5.7 生成对话式解释 211<br/>12.6 本章小结 212<br/>第四篇 推荐系统评估与价值<br/>第13章 推荐系统的评估 214<br/>13.1 推荐系统评估的目的 214<br/>13.2 评估推荐系统的常用指标 215<br/> 13.2.1 用户的维度 215<br/> 13.2.2 平台方的维度 216<br/> 13.2.3 推荐系统自身的维度 216<br/> 13.2.4 标的物提供方的维度 217&
相关推荐
-
构建企业级系统 算法、工程实现与案例分析
全新成都
￥ 96.75
-
构建企业级系统：算法、工程实现与案例分析
全新广州
￥ 69.91
-
构建企业级 系统 算法、工程实现与案例分析
全新无锡
￥ 72.00
-
构建企业级系统：算法、工程实现与案例分析
全新嘉兴
￥ 85.90
-
构建企业级系统 算法、工程实现与案例分析
全新北京
￥ 96.75
-
构建企业级系统：算法、工程实现与案例分析
全新嘉兴
￥ 96.75
-
构建企业级系统：算法、工程实现与案例分析
全新天津
￥ 72.95
-
构建企业级系统：算法、工程实现与案例分析
全新泰安
￥ 82.90
-
构建企业级推荐系统：算法、工程实现与案例分析
全新广州
￥ 74.03
-
构建企业级推荐系统 算法、工程实现与案例分析
全新广州
￥ 72.03
— 没有更多了 —
以下为对购买帮助不大的评价