推薦系統(tǒng)

定　價：￥99.00

作　者：	陳開江
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121354724	出版時間：	2019-10-01	包裝：
開本：	16開	頁數(shù)：	388	字數(shù)：

內(nèi)容簡介

　　本書是一本關(guān)于推薦系統(tǒng)產(chǎn)品如何落地的綜合圖書，內(nèi)容覆蓋產(chǎn)品、算法、工程、團隊和個人成長。書中不僅梳理了從事推薦系統(tǒng)工作需要具備的思維模式和需要了解的問題類型，還從產(chǎn)品和商業(yè)角度分析了當(dāng)前*火爆的信息流內(nèi)在邏輯。本書用非常通俗易懂的方式介紹了推薦系統(tǒng)的經(jīng)典算法原理，并有相應(yīng)的配套實踐代碼，以幫助初入門的算法工程師快速上手。除了推薦算法，書中還包含一些不屬于推薦算法但是很常見的實用算法。除算法原理之外，還有典型的工程架構(gòu)描述，以及架構(gòu)內(nèi)部的具體模塊細節(jié)描述。這些都是在設(shè)計推薦系統(tǒng)的過程中不可或缺而又不容易在公開場合獲得的內(nèi)容。此外，本書還涉及一部分推薦系統(tǒng)安全相關(guān)的知識，以及團隊搭建經(jīng)驗和個人成長心得。本書適合以推薦系統(tǒng)為代表的效果類產(chǎn)品從業(yè)者閱讀，包括決策者，以及產(chǎn)品、算法、架構(gòu)、安全、運營人員。這是一本可以架起不同工種之間友好溝通橋梁的書。

作者簡介

　　陳開江，偶以“刑無刀”的名義“出沒江湖”，初于北京理工大學(xué)學(xué)習(xí)自然語言處理，先后任職于新浪微博、車語傳媒、貝殼找房等公司，做自然語言處理及推薦系統(tǒng)開發(fā)等工作，也曾有兩三年與推薦系統(tǒng)有關(guān)的創(chuàng)業(yè)經(jīng)驗。有譯著《機器學(xué)習(xí)：實用案例解析》，在公眾號ResysChina上發(fā)表過推薦系統(tǒng)系列文章，在極客時間開設(shè)有《推薦系統(tǒng)36式》付費專欄。

圖書目錄

目錄
1 概念與思維\t1
1．1 該要推薦系統(tǒng)嗎\t2
1．1．1 什么是推薦系統(tǒng)\t2
1．1．2 是否需要推薦系統(tǒng)\t4
1．1．3 小結(jié)\t5
1．2 問題模式有哪些\t7
1．2．1 預(yù)測問題模式\t7
1．2．2 幾個常見頑疾\t10
1．2．3 小結(jié)\t12
1．3 要具有什么樣的思維模式\t13
1．3．1 關(guān)鍵元素\t13
1．3．2 思維模式\t15
1．3．3 小結(jié)\t19
2 產(chǎn)品漫談\t21
2．1 推薦系統(tǒng)的價值和成本\t22
2．1．1 價值\t22
2．1．2 成本\t25
2．1．3 小結(jié)\t27
2．2 信息流簡史\t28
2．2．1 前世今生\t28
2．2．2 配套設(shè)施\t29
2．2．3 小結(jié)\t33
3 內(nèi)容推薦\t35
3．1 用戶畫像簡介\t36
3．1．1 什么是用戶畫像\t36
3．1．2 關(guān)鍵因素\t38
3．1．3 構(gòu)建方法\t40
3．1．4 小結(jié)\t41
3．2 標簽挖掘技術(shù)\t42
3．2．1 挖掘標簽的物料\t42
3．2．2 標簽庫該有的樣子\t43
3．2．3 標簽挖掘方法\t45
3．2．4 小結(jié)\t76
3．3 基于內(nèi)容的推薦\t78
3．3．1 為什么要做好內(nèi)容推薦\t78
3．3．2 基于內(nèi)容的推薦系統(tǒng)\t79
3．3．3 小結(jié)\t83
4 近鄰?fù)扑]\t85
4．1 基于用戶的協(xié)同過濾算法\t86
4．1．1 協(xié)同過濾算法\t86
4．1．2 基于用戶的協(xié)同過濾算法原理\t87
4．1．3 應(yīng)用場景\t98
4．1．4 小結(jié)\t99
4．2 基于物品的協(xié)同過濾算法\t100
4．2．1 常見的應(yīng)用場景\t100
4．2．2 算法原理\t101
4．2．3 小結(jié)\t110
4．3 相似度算法一覽\t111
4．3．1 相似度的本質(zhì)\t111
4．3．2 相似度計算方法\t112
4．3．3 向量化計算\t115
4．3．4 小結(jié)\t117
5 矩陣分解\t119
5．1 SVD算法\t120
5．1．1 歷史背景\t120
5．1．2 首談矩陣分解\t121
5．1．3 小結(jié)\t129
5．2 ALS算法\t130
5．2．1 再談矩陣分解\t130
5．2．2 ALS算法原理\t131
5．2．3 隱式反饋\t132
5．2．4 推薦計算\t136
5．2．5 小結(jié)\t137
5．3 BPR算法\t138
5．3．1 三談矩陣分解\t138
5．3．2 貝葉斯個性化排序\t139
5．3．3 小結(jié)\t146
6 模型融合\t147
6．1 線性模型和樹模型\t148
6．1．1 為什么要融合\t148
6．1．2 “輯度組合”原理\t150
6．1．3 小結(jié)\t163
6．2 因子分解機\t164
6．2．1 從特征組合說起\t164
6．2．2 因子分解機詳解\t165
6．2．3 小結(jié)\t173
6．3 Wide＆Deep模型\t174
6．3．1 要“深”還是要“寬”\t174
6．3．2 Wide ＆ Deep模型詳解\t175
6．3．3 幾點技巧\t180
6．3．4 模型實例\t182
6．3．5 小結(jié)\t186
7 探索和利用\t189
7．1 MAB問題與Bandit算法\t190
7．1．1 推薦即選擇\t190
7．1．2 MAB問題\t191
7．1．3 Bandit算法\t192
7．1．4 冷啟動\t201
7．1．5 小結(jié)\t201
7．2 加入特征的UCB算法\t202
7．2．1 UCB算法回顧\t202
7．2．2 LinUCB算法\t203
7．2．3 構(gòu)建特征\t209
7．2．4 小結(jié)\t211
7．3 Bandit算法與協(xié)同過濾算法\t212
7．3．1 信息繭房\t212
7．3．2 COFIBA算法\t213
7．3．3 再談EE問題\t222
7．3．4 小結(jié)\t223
8 深度學(xué)習(xí)\t225
8．1 深度隱因子\t226
8．1．1 深度學(xué)習(xí)與推薦系統(tǒng)\t226
8．1．2 各種“2Vec”\t229
8．1．3 深度Embedding\t232
8．1．4 深度學(xué)習(xí)與視頻推薦\t236
8．1．5 小結(jié)\t238
8．2 深度CTR預(yù)估\t239
8．2．1 深度學(xué)習(xí)與CTR預(yù)估\t239
8．2．2 CTR預(yù)估\t240
8．2．3 小結(jié)\t248
9 其他算法\t249
9．1 排行榜\t250
9．1．1 為什么要有排行榜\t250
9．1．2 排行榜算法\t251
9．1．3 小結(jié)\t257
9．2 采樣算法\t259
9．2．1 有限數(shù)據(jù)集\t260
9．2．2 無限數(shù)據(jù)集\t262
9．2．3 小結(jié)\t263
9．3 重復(fù)檢測\t264
9．3．1 生產(chǎn)端的重復(fù)檢測\t264
9．3．2 消費端的重復(fù)檢測\t266
9．3．3 小結(jié)\t268
10 架構(gòu)總覽\t269
10．1 信息流推薦架構(gòu)\t270
10．1．1 信息流的種類\t270
10．1．2 抓取聚合信息流\t271
10．1．3 社交動態(tài)信息流\t274
10．1．4 小結(jié)\t281
10．2 個性化首頁架構(gòu)\t282
10．2．1 架構(gòu)的特質(zhì)\t282
10．2．2 Netflix的個性化首頁架構(gòu)\t282
10．2．3 簡化推薦系統(tǒng)架構(gòu)\t287
10．2．4 小結(jié)\t289
10．3 搜索引擎、推薦系統(tǒng)及廣告系統(tǒng)\t290
10．3．1 異同對比\t290
10．3．2 三者的架構(gòu)\t292
10．3．3 三者的協(xié)同\t294
10．3．4 小結(jié)\t294
11 關(guān)鍵模塊\t297
11．1 日志收集\t298
11．1．1 日志的用途\t298
11．1．2 詳細方案\t299
11．1．3 小結(jié)\t305
11．2 實時推薦\t306
11．2．1 實時的層次\t306
11．2．2 實時推薦要點\t307
11．2．3 小結(jié)\t318
11．3 AB實驗\t319
11．3．1 AB實驗是什么\t319
11．3．2 AB實驗框架\t321
11．3．3 實驗數(shù)據(jù)分析\t327
11．3．4 小結(jié)\t331
11．4 推薦服務(wù)\t332
11．4．1 服務(wù)\t332
11．4．2 存儲\t332
11．4．3 API\t336
11．4．4 小結(jié)\t340
11．5 開源工具\t341
11．5．1 不重復(fù)造輪子\t341
11．5．2 內(nèi)容分析\t342
11．5．3 協(xié)同過濾和矩陣分解\t342
11．5．4 模型融合\t344
11．5．5 Web服務(wù)框架\t344
11．5．6 其他算法\t345
11．5．7 完整推薦系統(tǒng)\t345
11．5．8 小結(jié)\t345
12 效果保證\t347
12．1 測試及常用指標\t348
12．1．1 測試方法\t348
12．1．2 檢測指標\t351
12．1．3 小結(jié)\t356
12．2 推薦系統(tǒng)的安全\t357
12．2．1 攻擊手段\t357
12．2．2 防護方式\t360
12．2．3 小結(jié)\t362
13 團隊與個人\t363
13．1 團隊組建\t364
13．2 個人成長\t367
13．3 小結(jié)\t370