算法與數據中臺：基于Google、Facebook與微博實踐

定　價：￥89.00

作　者：	詹盈著
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：	9787121392887	出版時間：	2020-08-01	包裝：	平裝
開本：	16開	頁數：	328	字數：

內容簡介

　　《算法與數據中臺：基于Google、Facebook與微博實踐》作者依據在Google、Facebook、新浪微博及滴滴出行等中美一流互聯網公司的實際工作經歷，對算法技術、數據技術，以及圍繞它們進行的技術中臺建設實踐進行了全面的探討，并在此基礎上對信息流推薦、計算廣告及智能出行等核心互聯網業(yè)務進行了案例剖析。本書具有廣闊的技術視野，內容頗具深度，既適合互聯網行業(yè)的技術從業(yè)者閱讀，也適合計算機相關專業(yè)的高年級本科生、研究生閱讀。通過閱讀本書，讀者能加深對機器學習、深度學習、大數據、分布式系統(tǒng)及技術中臺等相關領域的認知與理解，并從中獲得一定的啟發(fā)和可借鑒的經驗。

作者簡介

　　詹盈，本科畢業(yè)于南京大學，后赴美攻讀計算機博士學位。先后就職于 Google、Facebook 以及新浪微博，歷任主任架構師、算法總監(jiān)等職位。長期致力于機器學習算法、算法工程平臺和大規(guī)模個性化系統(tǒng)等方向的技術研究以及團隊管理工作，對推薦系統(tǒng)、計算廣告、大數據和云計算等相關業(yè)務領域有著長期深入的工作經驗和成功實踐。鄭旭飛，先后就職于 360 搜索、滴滴出行以及新浪微博，歷任算法專家和資深工程師等職位，對搜索、推薦、廣告等個性化系統(tǒng)以及機器學習平臺有著豐富的實踐經驗。劉暢宇，美國哥倫比亞大學計算機碩士學位，先后就職于彭博社和新浪微博并擔任資深架構師等職位，對金融交易系統(tǒng)、計算廣告平臺以及大規(guī)模分布式系統(tǒng)有著深刻理解和成功經驗。郝忠秀，新浪微博廣告基礎架構負責人，對大規(guī)模分布式系統(tǒng)、海量數據存儲系統(tǒng)、大數據平臺以及計算廣告等相關領域有著長期工作經驗和諸多成功實踐。

圖書目錄

第1章算法與數據中臺概述 1
1.1 中臺的背景和意義 1
1.2 算法與數據中臺的功能價值 3
1.3 算法與數據中臺的技術體系 4
1.4 算法與數據中臺的實踐場景 6
1.5 算法與數據中臺的應用前景 7
1.6 本章總結 8
第2章中臺技術之基礎設施 10
2.1 研發(fā)效率系統(tǒng) 10
2.1.1 代碼組織和構建 11
2.1.2 代碼審查和任務管理 13
2.1.3 持續(xù)集成 15
2.1.4 通用壓測平臺 17
2.2 服務通信系統(tǒng) 19
2.2.1 跨進程通信框架 20
2.2.2 服務注冊與發(fā)現 21
2.2.3 服務治理 24
2.3 監(jiān)控報警系統(tǒng) 25
2.3.1 通用系統(tǒng)架構 25
2.3.2 指標計算模型 26
2.3.3 開源解決方案 27
2.4 鏈路跟蹤系統(tǒng) 29
2.4.1 應用場景與設計目標 30
2.4.2 系統(tǒng)架構 30
2.5 本章總結 32
第3章中臺技術之在線算法系統(tǒng) 33
3.1 物料檢索系統(tǒng) 34
3.1.1 倒排檢索 35
3.1.2 倒排索引實例 37
3.1.3 相似檢索 38
3.1.4 相似檢索實例 40
3.1.5 模型粗排 40
3.2 模型預估服務 41
3.2.1 整體架構 42
3.2.2 多框架支持 43
3.2.3 模型上線 44
3.2.4 在線預估 45
3.2.5 異構設備 46
3.2.6 性能優(yōu)化 47
3.2.7 效果監(jiān)控 49
3.3 策略機制引擎 50
3.3.1 整體架構 50
3.3.2 計算流解釋器 51
3.3.3 Lua 解釋器 52
3.4 集群管理平臺 53
3.4.1 多租戶架構 53
3.4.2 集群動態(tài)管理 54
3.4.3 集群性能監(jiān)控 57
3.4.4 配置動態(tài)分發(fā) 59
3.5 效果評估系統(tǒng) 60
3.5.1 背景介紹 61
3.5.2 設計模式 61
3.5.3 系統(tǒng)架構 62
3.5.4 指標計算 64
3.6 本章總結 65
第4章中臺技術之機器學習平臺 66
4.1 機器學習平臺簡介 66
4.1.1 機器學習的研發(fā)流程 67
4.1.2 機器學習的研發(fā)挑戰(zhàn) 69
4.1.3 機器學習的研發(fā)技術 69
4.2 傳統(tǒng)機器學習算法 73
4.2.1 線性算法 73
4.2.2 因子分解機算法 77
4.2.3 決策樹算法 81
4.3 深度學習算法 84
4.3.1 發(fā)展簡史 85
4.3.2 神經元模型 86
4.3.3 神經網絡模型 87
4.3.4 神經網絡的算法原理 88
4.4 模型框架基本原理 94
4.4.1 分布式計算架構 94
4.4.2 并行計算的同步機制 99
4.4.3 梯度更新算法 102
4.5 層結構的模型框架 108
4.5.1 Caffe 109
4.5.2 DistBelief 110
4.5.3 WBLEngine 112
4.5.4 小結 116
4.6 數據流結構的模型框架 116
4.6.1 TensorFlow 116
4.6.2 PyTorch 122
4.6.3 小結 126
4.7 復合結構的模型框架 126
4.7.1 場景特點 126
4.7.2 設計思路 127
4.7.3 架構與實現 128
4.7.4 性能優(yōu)化 131
4.7.5 小結 132
4.8 機器學習平臺簡介 132
4.8.1 單業(yè)務線開發(fā)階段 132
4.8.2 平臺化建設階段 133
4.8.3 業(yè)界知名產品 134
4.9 新浪微博 WBL 機器學習平臺 135
4.9.1 用戶操作界面 136
4.9.2 管理中心 138
4.9.3 數據中心 140
4.9.4 調度中心 141
4.9.5 智能中心 144
4.9.6 模型中心 145
4.10 本章總結 147
第5章中臺技術之分布式數據庫 148
5.1 分布式數據庫概述 148
5.1.1 SQL 數據庫 148
5.1.2 NoSQL 數據庫 149
5.1.3 NewSQL 數據庫 150
5.2 分布式數據庫技術 150
5.2.1 ACID 理論 151
5.2.2 CAP 理論 151
5.2.3 BASE 理論 153
5.2.4 數據分片策略 154
5.2.5 數據復制策略 157
5.2.6 Gossip 協(xié)議 158
5.2.7 分布式一致性協(xié)議 160
5.2.8 分布式事務協(xié)議 167
5.3 分布式數據庫產品 170
5.3.1 Redis 170
5.3.2 Google BigTable 170
5.3.3 Google Spanner 173
5.4 LaserDB 分布式數據庫 177
5.4.1 系統(tǒng)架構 178
5.4.2 數據模型 179
5.4.3 分片策略 180
5.4.4 批量加載 181
5.4.5 同步機制 182
5.4.6 高可用架構 184
5.4.7 高性能方案 185
5.5 LaserDB 應用案例分析 188
5.5.1 數據緩存 188
5.5.2 特征服務 189
5.5.3 向量存儲 190
5.5.4 樣本拼接 190
5.6 本章總結 191
第6章中臺技術之大數據平臺 192
6.1 大數據平臺概述 192
6.1.1 大數據的特點 192
6.1.2 大數據平臺的技術棧 193
6.2 分布式協(xié)調系統(tǒng) 194
6.2.1 Google Chubby 195
6.2.2 Apache ZooKeeper 196
6.2.3 Consul 197
6.3 集群管理系統(tǒng) 199
6.3.1 Google Borg 200
6.3.2 Kubernetes 202
6.3.3 Apache YARN 203
6.4 分布式文件系統(tǒng) 205
6.4.1 Google GFS 205
6.4.2 Apache HDFS 207
6.4.3 Dropbox MagicPocket 209
6.5 消息管道系統(tǒng) 210
6.5.1 Google PubSub 211
6.5.2 Apache Kafka 213
6.6 分布式計算系統(tǒng) 214
6.6.1 MapReduce 214
6.6.2 Apache Spark 216
6.6.3 Apache Flink 218
6.6.4 Apache Beam 220
6.7 數據倉庫與分布式查詢系統(tǒng) 221
6.7.1 Google BigQuery 222
6.7.2 Apache Hive 223
6.7.3 Facebook Presto 224
6.7.4 Facebook Scuba 226
6.8 本章總結 227
第7章中臺實踐之推薦系統(tǒng) 228
7.1 推薦系統(tǒng)的背景簡介 228
7.1.1 場景概況 229
7.1.2 整體架構 230
7.1.3 推薦思路 233
7.2 推薦系統(tǒng)的算法模型 235
7.2.1 GBDT-LR 融合模型 235
7.2.2 Wide & Deep 模型 237
7.2.3 DeepFM 模型 238
7.2.4 雙塔模型 238
7.2.5 多任務模型 239
7.2.6 算法的發(fā)展趨勢 241
7.3 推薦系統(tǒng)的效果度量 244
7.3.1 體驗指標 244
7.3.2 算法指標 245
7.4 Facebook 信息流推薦簡介 250
7.4.1 數據分發(fā)系統(tǒng) 251
7.4.2 特征服務 252
7.4.3 索引系統(tǒng) 254
7.4.4 預估與排序服務 255
7.4.5 實時樣本拼接服務 256
7.4.6 模型訓練平臺 257
7.5 本章總結 258
第8章中臺實踐之數字廣告 259
8.1 數字廣告的背景簡介 259
8.1.1 核心概念 260
8.1.2 合約廣告 261
8.1.3 競價廣告 262
8.1.4 程序化交易廣告 263
8.2 數字廣告系統(tǒng)架構 264
8.2.1 業(yè)務平臺 265
8.2.2 算法與數據中臺 265
8.3 數字廣告系統(tǒng)中的數據管理 266
8.3.1 站內數據 267
8.3.2 站外數據 267
8.4 數字廣告系統(tǒng)中的受眾定向 268
8.4.1 內容定向 268
8.4.2 用戶標簽定向 269
8.4.3 定制化標簽定向 269
8.4.4 社交關系定向 270
8.4.5 智能定向 270
8.5 數字廣告系統(tǒng)中的策略機制 270
8.5.1 流量預測 271
8.5.2 在線分配 271
8.5.3 頻次控制 272
8.5.4 平滑投放 272
8.5.5 探索策略 273
8.5.6 智能出價 274
8.5.7 廣告競價 276
8.5.8 反作弊機制 277
8.6 本章總結 277
第9章中臺實踐之網約車平臺 278
9.1 業(yè)務簡介 279
9.1.1 業(yè)務背景 279
9.1.2 運作流程 281
9.1.3 用戶體驗 281
9.2 技術架構 282
9.2.1 分層系統(tǒng)架構 282
9.2.2 業(yè)務中臺 283
9.2.3 算法與數據中臺 285
9.3 打車定價場景 286
9.3.1 場景描述 286
9.3.2 價格動態(tài)下浮策略 287
9.3.3 價格動態(tài)上浮策略 289
9.3.4 小結 290
9.4 打車排隊場景 290
9.4.1 場景描述 290
9.4.2 排隊時間預估策略 291
9.4.3 小結 292
9.5 打車安全場景 292
9.5.1 場景描述 292
9.5.2 安全策略 293
9.5.3 小結 294
9.6 本章總結 294
參考文獻 295