業(yè)務(wù)驅(qū)動的推薦系統(tǒng)：方法與實踐

定　價：￥89.00

作　者：	付聰著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111720935	出版時間：	2023-02-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　這是一本從業(yè)務(wù)視角解讀推薦系統(tǒng)架構(gòu)設(shè)計、評估方法、數(shù)據(jù)工程和算法原理的著作。市面上推薦系統(tǒng)方面的著作，內(nèi)容多以推薦技術(shù)、算法和模型為主，讓讀者誤以為掌握了推薦算法就能用好推薦系統(tǒng)并提升業(yè)務(wù)指標，其實推薦算法只是工具，要真正發(fā)揮推薦系統(tǒng)的價值，需要將推薦系統(tǒng)植根于業(yè)務(wù)之上。本書從業(yè)務(wù)視角出發(fā)，描繪了當下主流推薦系統(tǒng)的設(shè)計思想和架構(gòu)全貌，重點突出系統(tǒng)每個模塊所需要解決的問題，進而介紹一到兩種實踐檢驗普遍有效、在學術(shù)界具備里程碑性質(zhì)的算法。幫助讀者練成識別算法的火眼金睛，從每年大量產(chǎn)出的新算法研究中去粗取精，真正解決實際問題。閱讀本書，你將有如下收獲：從商業(yè)、運營、算法、工程視角理解推薦系統(tǒng)，對推薦系統(tǒng)的認知更加立體化；從業(yè)務(wù)視角理解推薦系統(tǒng)的頂層設(shè)計，掌握業(yè)務(wù)驅(qū)動的推薦系統(tǒng)設(shè)計思想；掌握業(yè)務(wù)驅(qū)動型推薦系統(tǒng)的評估方法，涵蓋B端、C端和平臺等多個維度；了解推薦系統(tǒng)的數(shù)據(jù)工程，掌握獲取各類數(shù)據(jù)、構(gòu)建特征體系的方法；從業(yè)務(wù)視角理解召回、排序和決策智能方面的經(jīng)典算法和學術(shù)界有里程碑意義的算法；從技術(shù)和業(yè)務(wù)的雙重視角去規(guī)劃推薦算法工程師的成長路徑，以達到事半功倍的效果。

作者簡介

　　付聰博士，畢業(yè)于浙江大學計算機學院，美國南加州大學訪問學者，前阿里巴巴算法專家。工業(yè)級高性能高維數(shù)據(jù)檢索算法NSG、SSG的發(fā)明人，致力于推薦系統(tǒng)、搜索引擎前沿技術(shù)的研究和應(yīng)用。曾作為團隊負責人，在千萬級DAU的電商及視頻業(yè)務(wù)場景下，成功實現(xiàn)了推薦系統(tǒng)、搜索引擎、搜推融合等技術(shù)方向的項目落地，積累了豐富的實戰(zhàn)經(jīng)驗。學生時代師從國家優(yōu)秀青年學者蔡登教授與國家杰出青年學者、前滴滴研究院院長何曉飛教授。在人工智能、推薦系統(tǒng)、數(shù)據(jù)庫、數(shù)據(jù)挖掘、自然語言處理、神經(jīng)網(wǎng)絡(luò)、知識圖譜等多個領(lǐng)域有豐富的研究成果。在頂級會議或期刊TPAMI、KDD、VLDB、IJCAI、EMNLP、CIKM等發(fā)表過多篇論文，并擔任TKDE、IJCAI、EMNLP、AAAI、Neuron Computing等國際會議審稿人。

圖書目錄

CONTENTS
目　　錄
前言
第一部分　業(yè)務(wù)驅(qū)動下的推薦系統(tǒng)總覽
第1章　從業(yè)務(wù)視角看推薦系統(tǒng)2
　1.1　推薦系統(tǒng)的定義與商業(yè)價值2
1.1.1　推薦系統(tǒng)的基本概念
與業(yè)務(wù)驅(qū)動思想3
1.1.2　淺談個性化推薦帶來的
商業(yè)價值7
　1.2　從運營、算法與工程視角
看推薦系統(tǒng)7
1.2.1　推薦業(yè)務(wù)運營思維：
貨找人8
1.2.2　推薦算法建模思維：
人找貨10
1.2.3　推薦引擎工程展望：
服務(wù)產(chǎn)品化11
第2章　從業(yè)務(wù)視角看推薦系統(tǒng)的
頂層設(shè)計12
　2.1　業(yè)務(wù)驅(qū)動下的推薦系統(tǒng)
設(shè)計思想12
2.1.1　業(yè)務(wù)無關(guān)的推薦系統(tǒng)
抽象13
2.1.2　推薦算法模塊核心能力
的建設(shè)15
　2.2　從系統(tǒng)框架透視業(yè)務(wù)生態(tài)
循環(huán)17
2.2.1　系統(tǒng)大圖剖析17
2.2.2　監(jiān)察者：埋點日志
服務(wù)17
2.2.3　業(yè)務(wù)大腦：數(shù)據(jù)計算、
分析及倉儲服務(wù)18
2.2.4　主循環(huán)系統(tǒng)：召回與
排序模塊19
2.2.5　副循環(huán)系統(tǒng)：運營管控
與作業(yè)模塊21
2.2.6　新陳代謝：運維與實驗
平臺22
　2.3　迭代效率大化：圖化服務(wù)和
配置化迭代25
第3章　評估推薦系統(tǒng)的方式
與維度27
　3.1　業(yè)務(wù)驅(qū)動型推薦系統(tǒng)的評估
要點27
3.1.1　體驗優(yōu)先準則和量化
方式28
3.1.2　評估推薦系統(tǒng)的
方法論29
3.1.3　從3種業(yè)務(wù)價值出發(fā)
設(shè)計評估體系31
　3.2　B端業(yè)務(wù)：B端用戶體驗的
評估維度31
3.2.1　平臺玩法的
可解釋性31
3.2.2　投放效果的
可預(yù)測性32
3.2.3　投入產(chǎn)出比33
3.2.4　基尼指數(shù)34
　3.3　C端業(yè)務(wù)：C端用戶體驗
的評估維度34
3.3.1　興趣相關(guān)性35
3.3.2　內(nèi)容質(zhì)量35
3.3.3　結(jié)果多樣性35
3.3.4　推薦驚喜性36
　3.4　平臺成長：平臺價值評估
維度36
3.4.1　產(chǎn)品調(diào)性和品牌
印象37
3.4.2　消費與轉(zhuǎn)化率37
3.4.3　高、中、低活用戶
留存37
3.4.4　活躍用戶量38
　3.5　評估方法概覽38
3.5.1　用戶調(diào)研39
3.5.2　離線評估39
3.5.3　在線評估42
　3.6　AB實驗42
3.6.1　AB實驗中的流量切分
設(shè)計43
3.6.2　AB實驗的通用流程44
3.6.3　實驗結(jié)果的顯著性校驗
和關(guān)聯(lián)分析44
3.6.4　實驗報表與監(jiān)控
報警45
第二部分　推薦系統(tǒng)的數(shù)據(jù)工程
第4章　業(yè)務(wù)標簽體系48
　4.1　業(yè)務(wù)標簽體系概述48
4.1.1　業(yè)務(wù)標簽體系的
含義48
4.1.2　業(yè)務(wù)標簽體系的
價值49
4.1.3　標簽體系為什么要業(yè)務(wù)
定制化49
　4.2　業(yè)務(wù)標簽體系的設(shè)計思路50
4.2.1　業(yè)務(wù)標簽體系的概念
設(shè)計50
4.2.2　業(yè)務(wù)標簽體系的系統(tǒng)
設(shè)計52
　4.3　業(yè)務(wù)標簽的挖掘方法53
4.3.1　提取式標簽挖掘54
4.3.2　生成式標簽挖掘55
4.3.3　基于主動學習的人機
協(xié)同標注系統(tǒng)56
4.3.4　標簽改寫、糾錯與
聚合56
4.3.5　標簽權(quán)重計算57
　4.4　業(yè)務(wù)標簽體系的評估方法58
4.4.1　離線評估58
4.4.2　在線評估59
第5章　用戶畫像：業(yè)務(wù)層面
的人格抽象60
　5.1　用戶畫像概述60
5.1.1　用戶畫像的含義60
5.1.2　用戶畫像的業(yè)務(wù)價值
和算法價值61
　5.2　用戶畫像設(shè)計61
5.2.1　用戶畫像概念體系
設(shè)計61
5.2.2　用戶畫像數(shù)據(jù)系統(tǒng)
設(shè)計64
　5.3　用戶畫像的構(gòu)建與迭代65
5.3.1　人工挖掘方法65
5.3.2　基于機器學習的挖掘
方法66
5.3.3　用戶畫像的優(yōu)化
迭代68
5.3.4　用戶畫像權(quán)重計算70
　5.4　用戶畫像的評估方法71
5.4.1　離線評估71
5.4.2　在線評估72
第6章　生態(tài)循環(huán)的血液：
數(shù)據(jù)獲取與處理73
　6.1　埋點日志服務(wù)與埋點體系的
設(shè)計思想73
6.1.1　埋點日志服務(wù)簡介74
6.1.2　業(yè)務(wù)驅(qū)動的埋點體系
設(shè)計思想75
　6.2　可擴展的業(yè)務(wù)埋點體系77
6.2.1　SPM埋點體系77
6.2.2　SCM埋點體系77
6.2.3　擴展埋點體系EXT78
6.2.4　會話級埋點設(shè)計與
消費路徑跟蹤78
　6.3　基于埋點數(shù)據(jù)的處理和分析79
6.3.1　常見重要數(shù)據(jù)指標
釋義79
6.3.2　漏斗效應(yīng)和優(yōu)化
分析81
第7章　業(yè)務(wù)定制化特征和
樣本工程設(shè)計83
　7.1　推薦特征體系概覽83
7.1.1　推薦特征體系簡介84
7.1.2　特征體系的設(shè)計
思想85
　7.2　推薦系統(tǒng)特征設(shè)計及案例86
7.2.1　用戶描述性特征86
7.2.2　用戶特征的人群
泛化87
7.2.3　內(nèi)容描述性特征87
7.2.4　內(nèi)容統(tǒng)計類特征88
7.2.5　內(nèi)容統(tǒng)計類特征
泛化88
7.2.6　用戶與內(nèi)容的交叉特征
設(shè)計89
7.2.7　用戶歷史行為序列
特征設(shè)計91
7.2.8　實時特征的定義和
價值92
7.2.9　實時統(tǒng)計特征設(shè)計和
數(shù)據(jù)流程92
7.2.10　基于機器學習的特征
構(gòu)造94
　7.3　特征應(yīng)用常見問題95
7.3.1　多值特征處理95
7.3.2　在線、離線特征的
一致性96
　7.4　特征去噪96
7.4.1　威爾遜置信區(qū)間
方法96
7.4.2　對數(shù)平滑方法97
7.4.3　百分位點離散化
方法97
　7.5　特征樣本構(gòu)造和模型訓練97
　7.6　時間穿越及處理98
7.6.1　時間穿越的定義及
影響98
7.6.2　樣本現(xiàn)場還原98
　7.7　特征與樣本消偏99
　7.8　特征評估方法100
第三部分　推薦系統(tǒng)的算法原理
　　　　　　與實踐
第8章　業(yè)務(wù)驅(qū)動視角下的
召回技術(shù)104
　8.1　推薦系統(tǒng)召回技術(shù)概覽104
8.1.1　推薦系統(tǒng)召回技術(shù)的
業(yè)務(wù)定位104
8.1.2　業(yè)務(wù)驅(qū)動下的召回
技術(shù)建模思維106
　8.2　召回中的策略框架108
8.