同類熱銷排行榜

推薦系統技術原理與實踐

作者：文亮|責編:劉雅思
出版社：人民郵電
ISBN：9787115609809

出版日期：2023/06/01
裝幀：平裝
頁數：222

人民幣：RMB 79.8 元售價：元

內容大鋼

本書系統介紹推薦系統的技術理論和實踐。首先介紹推薦系統的基礎知識；然後介紹推薦系統常用的機器學習和深度學習模型；接著重點介紹推薦系統的4層級聯架構，包括召回、粗排、精排和重排，以及谷歌、阿里巴巴等大型互聯網公司在4層級聯架構中的模型設計和實現原理；緊接其後介紹多目標排序在推薦系統中的應用，具體介紹阿里巴巴、谷歌等大型互聯網公司的實踐；最後從不同角度審視推薦系統，介紹公平性問題、知識蒸餾、冷啟動等各種前沿實踐。本書基於一線研發人員的視角向讀者分享推薦系統的實踐經驗，所有模型結構和前沿實踐都在業務場景中落地。
本書適合推薦系統領域的從業者、高校科研人員、高校電腦專業學生，以及對推薦系統感興趣的產品研發人員和運營人員閱讀。

作者介紹

文亮|責編:劉雅思
文亮，奇虎360公司資深演算法專家，碩士畢業於電子科技大學信息與軟體工程學。院。主要研究方向有推薦系統、深度學習和信息安全，曾發表5篇相關領域的學術論文，其中3篇被EI收錄。他擁有超過5年的機器學習與推薦系統實踐經驗，作為奇虎360推薦場景的核心研發人員，主導深度學習在奇虎360信息流推薦場景的落地工作。

第1章  推薦系統簡介
  1.1  什麼是推薦系統
  1.2  推薦系統的作用和意義
  1.3  推薦系統的技術架構
  1.4  推薦系統的召回階段
  1.5  推薦系統的粗排階段
  1.6  推薦系統的精排階段
  1.7  推薦系統的重排階段
  1.8  小結
第2章  推薦系統演算法基礎
  2.1  LR——應用極廣的機器學習模型
    2.1.1  LR的數學原理
    2.1.2  LR的訓練方法
    2.1.3  LR的訓練優化
    2.1.4  LR的優勢和局限性
  2.2  MLP——極簡單的深度學習模型
    2.2.1  MLP的模型結構
    2.2.2  MLP的訓練方法
    2.2.3  MLP的優勢和局限性
  2.3  機器學習常用的優化演算法
    2.3.1  隨機梯度下降法
    2.3.2  小批量隨機梯度下降法
    2.3.3  FTRL在線學習演算法
  2.4  深度學習常用的優化演算法
    2.4.1  深度學習的優化挑戰
    2.4.2  AdaGrad演算法
    2.4.3  RMSProp演算法
    2.4.4  AdaDelta演算法
    2.4.5  Adam演算法
  2.5  深度學習常用的激活函數
    2.5.1  引入激活函數的目的
    2.5.2  sigmoid激活函數
    2.5.3  ReLU激活函數
    2.5.4  Leaky ReLU激活函數
    2.5.5  PReLU激活函數
    2.5.6  阿里巴巴的Dice激活函數
    2.5.7  RReLU激活函數
  ……
第3章  召回技術演進
第4章  粗排技術演進
第5章  精排技術演進
第6章  重排技術演進
第7章  多目標排序在推薦系統中的應用
第8章  推薦系統的前沿實踐

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

推薦系統技術原理與實踐