幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

智能推薦演算法與系統構建實踐

  • 作者：編者:陳實如|責編:鄧昱洲
  • 出版社：人民郵電
  • ISBN：9787115614872
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：440
人民幣：RMB 129.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書從系統視角出發，闡述如何利用技術手段搭建企業級推薦系統，內容包括認知篇、數據篇、召回篇、排序篇、系統篇5個部分，覆蓋企業級推薦系統建設的核心要點。本書知識體系清晰，從基礎知識切入，逐步深入，先後涉及推薦系統的經典技術、主流技術和前沿技術。本書通過「理論+案例+代碼示例+心得體會」的方式闡述、歸納和總結推薦系統的知識，幫助讀者理解推薦系統，掌握技能，建立系統思維。
    本書適合對推薦系統感興趣的初學者、從事數據挖掘信息推薦相關工作的研發工程師、產品經理、架構師，以及相關專業學生和教師閱讀。
作者介紹
編者:陳實如|責編:鄧昱洲
    陳實如，博士研究生，教授級高級工程師，浪潮集團資深研究員，長期從事企業數字化轉型、技術規劃和技術管理，專註於物聯網、大數據、工業互聯網、人工智慧等領域，擅長數據挖掘、數據建模、推薦演算法和系統架構構建，獨立負責幾十個信息化平台的研發和交付，具有豐富的開發實戰經驗。喜歡總結，樂於分享。在國外核心期刊發表論文30余篇，獲得國家發明專利授權20余項。
目錄
第1部分  認知篇
  第1章  認識推薦系統
    1.1  推薦與推薦系統
    1.2  生活中的推薦系統
    1.3  推薦系統的特點與價值
    1.4  推薦服務
    1.5  個性化推薦策略
      1.5.1  U2Tag2I策略
      1.5.2  U2U2I策略
      1.5.3  U2I2I策略
      1.5.4  U2I策略
    1.6  本章小結
  第2章  推薦系統技術實現
    2.1  工作原理
    2.2  業務流程
    2.3  業務功能模塊
      2.3.1  數據採集
      2.3.2  特徵工程
      2.3.3  推薦演算法
      2.3.4  推薦服務
      2.3.5  效能評價
    2.4  推薦系統開發
    2.5  本章小結
第2部分  數據篇
  第3章  數據提取與特徵向量
    3.1  特徵標籤構建流程
    3.2  特徵標籤構建方法
    3.3  數據提取
    3.4  數據處理
      3.4.1  數據統計
      3.4.2  數據標準化
      3.4.3  數據離散化
    3.5  特徵編碼
      3.5.1  類別數據
      3.5.2  時間數據
      3.5.3  位置數據
      3.5.4  文本數據
    3.6  本章小結
  第4章  構建個性化特徵標籤
    4.1  喜歡度——衡量用戶感興趣的程度
    4.2  新聞特徵標籤
      4.2.1  基本特徵
      4.2.2  類別特徵
      4.2.3  內容特徵
      4.2.4  趨勢特徵
      4.2.5  新聞特徵向量
    4.3  用戶特徵標籤
      4.3.1  基本特徵
      4.3.2  位置特徵
      4.3.3  興趣偏好特徵

      4.3.4  行為特徵
      4.3.5  價值特徵
      4.3.6  用戶特徵向量
    4.4  特徵相似度計算
      4.4.1  歐幾里得距離
      4.4.2  曼哈頓距離
      4.4.3  閔可夫斯基距離
      4.4.4  馬氏距離
      4.4.5  餘弦相似度
      4.4.6  皮爾遜相關係數
      4.4.7  傑卡德相關係數
      4.4.8  代碼示例
    4.5  本章小結
  第5章  交叉組合構建新特徵
    5.1  特徵組合
      5.1.1  特徵拼接
      5.1.2  笛卡兒構建
      5.1.3  線性組合
      5.1.4  多項式特徵
      5.1.5  代碼示例
    5.2  特徵選擇
      5.2.1  方差選擇
      5.2.2  相關選擇
      5.2.3  卡方檢驗
      5.2.4  主成分分析
      5.2.5  樹模型選擇
      5.2.6  代碼示例
    5.3  本章小結
第3部分  召回篇
  第6章  機器學習模型
    6.1  機器學習的定義
      6.1.1  有監督學習
      6.1.2  無監督學習
    6.2  數據集
      6.2.1  常用公開數據集
      6.2.2  在線構建數據集
      6.2.3  數據集劃分
      6.2.4  生成訓練集
    6.3  模型訓練
    6.4  模型保存
    6.5  模型評價
      6.5.1  分類模型評價
      6.5.2  回歸模型評價
      6.5.3  代碼示例
    6.6  模型上線
    6.7  本章小結
  第7章  基於新聞熱度的推薦召回
    7.1  新聞熱度
    7.2  熱門推薦演算法
    7.3  代碼示例

    7.4  本章小結
  第8章  基於內容的推薦召回
    8.1  商品內容
    8.2  KNN演算法模型
      8.2.1  KNN發現
      8.2.2  KNN演算法改進
    8.3  代碼示例
    8.4  本章小結
  第9章  基於標籤的推薦召回
    9.1  認識標籤
    9.2  標籤推薦演算法
    9.3  升級標籤推薦演算法
    9.4  代碼示例
    9.5  本章小結
  第10章  協同過濾推薦召回
    10.1  UserCF演算法
      10.1.1  演算法原理
      10.1.2  代碼示例
    10.2  ItemCF演算法
      10.2.1  演算法原理
      10.2.2  代碼示例
    10.3  本章小結
  第11章  基於矩陣分解的推薦召回
    11.1  數學知識
    11.2  SVD推薦演算法
    11.3  代碼示例
    11.4  本章小結
  第12章  基於LFM的推薦召回
    12.1  LFM概述
    12.2  LFM推薦演算法
    12.3  代碼示例
    12.4  本章小結
  第13章  多路召回融合策略
    13.1  多路召回策略
    13.2  融合策略
      13.2.1  順序融合
      13.2.2  平均加權融合
      13.2.3  加權融合
      13.2.4  動態加權融合
    13.3  代碼示例
    13.4  本章小結
第4部分  排序篇
  第14章  線性模型排序演算法
    14.1  回歸模型
    14.2  線性回歸模型
    14.3  邏輯回歸模型
      14.3.1  演算法模型
      14.3.2  模型參數估計
      14.3.3  代碼示例
    14.4  本章小結

  第15章  LR-GBDT模型排序演算法
    15.1  CART決策樹
    15.2  集成學習模型
      15.2.1  Bagging演算法
      15.2.2  Boosting演算法
      15.2.3  Stacking演算法
    15.3  GBDT模型
    15.4  LR-GBDT模型
      15.4.1  模型演算法推導
      15.4.2  代碼示例
    15.5  本章小結
  第16章  深度學習模型排序演算法
    16.1  神經元
    16.2  ANN模型
    16.3  模型訓練
      16.3.1  正向傳遞
      16.3.2  反向傳遞
    16.4  模型優化
      16.4.1  梯度優化演算法
      16.4.2  Batch歸一化
      16.4.3  正則化
    16.5  DNN模型
      16.5.1  模型構建
      16.5.2  代碼示例
    16.6  Wide&Deep模型
      16.6.1  Wide部分
      16.6.2  Deep部分
      16.6.3  聯合訓練
      16.6.4  Wide&Deep模型案例
    16.7  本章小結
第5部分  系統篇
  第17章  推薦服務生成與管理
    17.1  推薦系統的Web服務
    17.2  推薦服務的請求與響應
      17.2.1  HTTP
      17.2.2  REST編程風格
      17.2.3  基於Django開發REST風格API
      17.2.4  基於SpringMVC開發REST風格API
    17.3  生成推薦結果
      17.3.1  離線生成
      17.3.2  在線生成
      17.3.3  在線+離線融合生成
      17.3.4  代碼示例
    17.4  生成方案對比
    17.5  本章小結
  第18章  推薦系統效能評價
    18.1  推薦系統評價
    18.2  用戶調研
    18.3  離線測試
      18.3.1  離線測試方法

      18.3.2  離線測試指標
    18.4  在線測試
      18.4.1  AB測試
      18.4.2  推薦系統的AB測試實驗
      18.4.3  在線測試指標
    18.5  本章小結
  第19章  推薦系統架構設計
    19.1  系統架構概述
    19.2  系統邊界
    19.3  系統總體架構
    19.4  依賴的第三方環境
      19.4.1  大數據計算平台
      19.4.2  機器學習平台
      19.4.3  存儲平台
      19.4.4  數據查詢檢索平台
      19.4.5  Web系統開發框架
    19.5  系統技術架構
      19.5.1  數據流
      19.5.2  離線層計算
      19.5.3  近線層計算
      19.5.4  在線層計算
      19.5.5  技術架構對比
    19.6  系統部署架構
    19.7  系統建設步驟
    19.8  本章小結

  • 商品搜索：
  • | 高級搜索
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