精通推荐算法:核心模块+经典模型+代码详解

1星价 ¥63.2 (7.1折)

2星价￥63.2 定价￥89.0

作者：谢杨易

出版社：电子工业出版社

本类榜单：计算机/网络

分类：计算机/网络 > 程序设计 > 其他

暂无评论

图文详情

ISBN：9787121474514
装帧：平装-胶订
册数：暂无
重量：暂无
开本：其他
页数：280
出版时间：2024-03-01
条形码：9787121474514 ; 978-7-121-47451-4

本书特色

体系化、全链路，覆盖推荐算法核心模块。有前沿、有经典，详解常用的模型和技术。搜广推、适用广，轻松搞定入门面试进阶。可下载本书配套代码，学习效果事半功倍。加入本书读者群，交流技术、offer选择及职业规划问题。

内容简介

本书系统介绍了推荐算法的知识框架和技术细节，包括召回、粗排、精排和重排等模块。第1章从用户体验、内容生产和平台发展角度介绍为什么需要推荐系统，并阐述推荐系统的分类及整体技术架构。第2章介绍推荐算法模型的基础――数据样本和特征工程。第3章介绍传统推荐算法。第4~7章介绍推荐系统中*复杂的部分――精排模块，包括特征交叉、用户行为序列建模、Embedding表征学习和多任务学习。第8章介绍召回模块，并详细讲解非个性化召回和个性化召回算法。第9章介绍粗排模块，重点讲解特征蒸馏和轻量级特征交叉等方法。第10章介绍重排模块，包括打散和多样性、上下文感知和端上重排等技术细节。本书适用于推荐算法初学者、有一定工作经验的推荐算法工程师，以及搜索、广告和营销等领域的从业者，也可作为高等院校计算机等相关专业师生的参考资料。

第1章推荐系统概述 1
1.1 为什么需要推荐系统 1
1.1.1 推荐系统与用户体验 2
1.1.2 推荐系统与内容生产 3
1.1.3 推荐系统与平台发展 4
1.2 推荐系统分类 5
1.2.1 业务领域分类 5
1.2.2 内容介质分类 5
1.2.3 交互形态分类 6
1.2.4 应用场景分类 6
1.3 推荐系统技术架构 7
1.4 本章小结 9
第2章数据样本和特征工程 10
2.1 数据样本 10
2.1.1 样本不均衡问题 11
2.1.2 样本不置信问题 14
2.1.3 离/在线样本不一致问题 16
2.2 特征工程 17
2.2.1 特征类目体系 18
2.2.2 特征处理范式 21
2.2.3 特征重要性评估 22
2.3 本章小结 23
第3章传统推荐算法 25
3.1 协同过滤 25
3.1.1 基于用户的协同过滤 26
3.1.2 基于物品的协同过滤 27
3.1.3 协同过滤的优点和局限性 28
3.2 矩阵分解 29
3.2.1 矩阵分解实现方法 30
3.2.2 矩阵分解的优点和局限性 31
3.3 逻辑回归 31
3.3.1 逻辑回归求解过程 33
3.3.2 逻辑回归的优点和局限性 34
3.4 因子分解机 35
3.4.1 因子分解机模型简化 35
3.4.2 因子分解机的优点和局限性 36
3.5 组合模型 37
3.5.1 GBDT LR组合模型结构 38
3.5.2 GBDT特征转换过程 39
3.5.3 组合模型的思考和总结 40
3.6 本章小结 40
第4章特征交叉 42
4.1 特征交叉概述 43
4.1.1 特征交叉的意义 43
4.1.2 特征交叉基本范式 44
4.1.3 特征交叉的难点 45
4.2 Deep Crossing：经典DNN框架模型 46
4.2.1 业务背景和特征体系 46
4.2.2 模型结构 48
4.2.3 实现方法 52
4.3 FNN 54
4.3.1 为什么Embedding收敛慢 55
4.3.2 模型结构 55
4.4 PNN 58
4.4.1 模型结构 58
4.4.2 特征交叉实现方法 59
4.5 Wide＆Deep：异构模型奠基者 61
4.5.1 “记忆”和“泛化” 61
4.5.2 模型结构 62
4.5.3 系统实现 64
4.5.4 代码解析 66
4.6 DeepFM：异构模型Wide侧引入FM 68
4.6.1 模型结构 68
4.6.2 代码解析 70
4.7 DCN：异构模型Wide侧引入高阶交叉 74
4.8 NFM：异构模型Deep侧引入显式交叉 77
4.9 xDeepFM：异构模型引入子分支 79
4.10 本章小结 83
第5章用户行为序列建模 85
5.1 用户行为序列建模概述 86
5.1.1 行为序列建模的意义 87
5.1.2 行为序列建模的基本范式 87
5.1.3 行为序列建模的主要难点 88
5.1.4 行为序列特征工程 89
5.2 DIN：基于注意力机制建模用户行为序列 90
5.2.1 背景 90
5.2.2 模型结构 92
5.2.3 模型训练方法 95
5.2.4 代码解析 98
5.3 DIEN：GRU建模用户行为序列 100
5.3.1 模型结构：兴趣抽取层 100
5.3.2 模型结构：兴趣进化层 103
5.4 BST：Transformer建模用户行为序列 105
5.4.1 模型结构 105
5.4.2 代码解析 109
5.5 DSIN：基于Session建模用户行为序列 114
5.6 MIMN：基于神经图灵机建模长周期行为序列 117
5.6.1 工程设计：UIC模块 118
5.6.2 MIMN模型结构 119
5.7 SIM：基于检索建模长周期行为序列 123
5.8 ETA：基于SimHash实现检索索引在线化 126
5.8.1 ETA模型结构 127
5.8.2 SimHash原理 128
5.9 本章小结 129
第6章 Embedding表征学习 131
6.1 Embedding表征学习概述 132
6.1.1 Embedding概述 133
6.1.2 Embedding表征学习的意义 134
6.1.3 Embedding表征学习的基本范式 134
6.1.4 Embedding表征学习的主要难点 135
6.2 基于序列的Embedding建模方法 135
6.2.1 Word2vec任务定义：CBOW和Skip-gram 136
6.2.2 Word2vec模型结构 137
6.2.3 Word2vec训练方法 138
6.2.4 Item2vec：推荐系统引入序列Embedding 139
6.2.5 序列建模总结和思考 139
6.3 基于同构图游走的Graph Embedding 139
6.3.1 DeepWalk：同构图游走算法开山之作 140
6.3.2 LINE：一阶相似度和二阶相似度探索 141
6.3.3 Node2vec：同质性和结构等价性探索 142
6.3.4 同构图游走的优缺点 144
6.4 基于异构图游走的Graph Embedding 145
6.4.1 Metapath2vec 145
6.4.2 EGES 146
6.4.3 异构图游走的优缺点 149
6.5 图神经网络 149
6.5.1 GCN：图神经网络开山之作 149
6.5.2 GraphSAGE：图神经网络工业应用的高潮 152
6.5.3 图神经网络总结 153
6.6 向量检索技术 153
6.6.1 向量距离计算方法 154
6.6.2 向量检索算法 156
6.6.3 向量检索常用工具：Faiss 161
6.7 本章小结 162
第7章多任务学习 165
7.1 多任务学习发展历程 166
7.1.1 为什么需要多任务学习 166
7.1.2 多任务学习的基本框架 167
7.1.3 多任务学习的难点和挑战 168
7.2 ESMM模型：解决SSB和DS问题的利器 169
7.2.1 样本选择偏差和数据稀疏问题 169
7.2.2 ESMM模型结构 170
7.2.3 ESMM核心代码 172
7.3 MMOE模型：多专家多门控网络 174
7.3.1 MMOE模型结构 174
7.3.2 MMOE核心代码 177
7.4 PLE模型：解决负迁移和跷跷板现象的利器 179
7.4.1 负迁移和跷跷板现象 180
7.4.2 单层CGC模型结构 180
7.4.3 PLE模型结构 183
7.4.4 PLE核心代码 184
7.5 多任务融合 188
7.5.1 网格搜索 189
7.5.2 排序模型 190
7.5.3 强化学习 190
7.6 本章小结 192
第8章召回算法 194
8.1 召回概述 196
8.1.1 推荐底池 196
8.1.2 多路召回 197
8.1.3 召回的难点 198
8.1.4 召回评价体系 199
8.2 个性化召回 200
8.2.1 基于内容的个性化召回 200
8.2.2 基于协同过滤的个性化召回 201
8.2.3 基于社交关系的个性化召回 203
8.3 向量召回 203
8.3.1 实现方法 204
8.3.2 YouTube DNN 204
8.3.3 Facebook EBR 206
8.3.4 百度MOBIUS 208
8.4 用户行为序列类向量召回 209
8.4.1 多峰兴趣建模的意义 210
8.4.2 MIND的模型结构 210
8.4.3 胶囊网络 212
8.5 样本选择偏差问题 213
8.5.1 召回样本构建方法 213
8.5.2 ESAM和迁移学习 215
8.6 召回检索优化和TDM 218
8.6.1 TDM在线检索过程 218
8.6.2 TDM索引构建和模型训练过程 220
8.6.3 JTM 221
8.6.4 OTM 222
8.7 本章小结 223
第9章粗排算法 226
9.1 粗排概述 228
9.1.1 粗排样本和特征 228
9.1.2 粗排发展历程 228
9.1.3 粗排的难点 230
9.1.4 粗排评价体系 230
9.2 PFD模型：知识蒸馏学习交叉特征 231
9.2.1 PFD模型结构 231
9.2.2 PFD模型原理 232
9.2.3 PFD与传统蒸馏相结合 233
9.2.4 PFD在精排中的应用 234
9.3 COLD模型：显式特征交叉 235
9.3.1 双塔内积模型 235
9.3.2 COLD模型 237
9.4 FSCD模型：效果和效率联合优化 238
9.4.1 FSCD特征选择原理 239
9.4.2 FSCD训练步骤 241
9.5 本章小结 242
第10章重排算法 243
10.1 重排概述 245
10.1.1 为什么需要重排 245
10.1.2 重排的难点和挑战 245
10.1.3 流量调控 246
10.2 打散和多样性 246
10.2.1 打散 247
10.2.2 多样性 248
10.2.3 多样性发展历程 248
10.3 上下文感知和PRM模型 249
10.3.1 什么是上下文感知 250
10.3.2 PRM模型结构 250
10.3.3 其他上下文感知实现方案 253
10.4 实时性和延迟反馈问题 254
10.4.1 推荐系统实时性的意义 254
10.4.2 推荐系统实时性分类 255
10.4.3 延迟反馈问题 256
10.4.4 延迟反馈优化方案 257
10.5 端上重排和EdgeRec 257
10.5.1 为什么需要端上模型 258
10.5.2 端上推理引擎 259
10.5.3 EdgeRec系统架构 259
10.5.4 EdgeRec模型结构 260
10.6 本章小结 262

展开全部

相关资料

搜索、推荐和广告一直以来都是工业界的核心业务。进入深度学习时代后，推荐算法技术的发展和更迭很快。本书深入讲解了深度学习时代下推荐算法技术的各方面内容。相信能给从业者带来较大帮助。 ——蚂蚁集团前资深技术专家刘恭亮谢杨易从事搜索和推荐算法工作多年，具有非常丰富的理论和实践经验。如何优化搜索、推荐和广告业务效果？书中给出了详细的答案。本书非常适合搜索、推荐和广告算法领域的初学者和进阶者阅读和学习。 ——华为消费者事业群前高级技术专家王康推荐算法的知识体系十分复杂，新模型层出不穷。本书的亮点不在于罗列各种模型，而是详细阐述每个经典模型诞生的原因和具体实现方案，使读者领悟推荐算法的核心要义。 ——腾讯平台与内容事业群前副总监赵争超推荐算法是互联网行业中业务增长的重要引擎，其地位十分重要。本书是一本介绍推荐算法的佳作，理论与实践相结合，深入浅出，非常适合互联网从业者了解和掌握推荐算法。 ——阿里巴巴淘天集团高级算法专家朱俊雄本书体系化地归纳了深度学习时代的推荐算法领域知识框架，包含近年来发布的模型及其代码实现，内容十分新颖，能够让读者快速掌握推荐算法的各项技术，并在实际工作中学以致用，非常值得一读。 ——蚂蚁集团网商银行高级技术专家管维刚推荐算法是目前互联网领域中商业价值很高的技术方向。本书包含丰富的思维导图，全面介绍了推荐算法的技术框架，图文并茂，代码详尽，有利于读者加深对技术细节的理解，希望大家阅读后有所进益！ ——蚂蚁集团智能服务业务高级算法专家刘佳本书以全链路的视角介绍了推荐算法中的召回、粗排、精排和重排等模块的技术细节。知识结构完整，脉络十分清晰，能够帮助读者举一反三。书中介绍了很多经典模型，代码详细，非常适合入门和进阶使用。 ——之江实验室算法研究员、淘宝首页前推荐算法专家彭爽市场上介绍推荐系统方面的书很多，但详细讲解推荐算法知识体系和经典模型的书却很稀缺。自从进入深度学习时代后，推荐算法的发展可以说是日新月异。本书囊括了近两年推荐算法方向的重要进展，希望大家读后有所收获。 ——腾讯优图实验室前应用算法研究员丁中干推荐系统与个性化搜索、计算广告一脉相承，它们在算法上的优化手段具有很强的复用性。本书不仅适合推荐算法的初学者和进阶者，还适合搜索和广告方向的工程师。 ——蚂蚁集团网商银行技术专家周宇