推薦系統(演算法案例與大模型)/圖靈原創

作者：劉強|責編:王軍花
出版社：人民郵電
ISBN：9787115639073

出版日期：2024/03/01
裝幀：平裝
頁數：362

人民幣：RMB 99.8 元售價：元

內容大鋼

互聯網上信息龐雜，信息生產者很難將合適的信息傳送至合適的用戶，同時用戶也很難從海量信息中獲取其感興趣的內容。推薦系統能夠將信息生產者和用戶鏈接起來，幫助平台解決需求和資源匹配的難題。本書覆蓋推薦系統在行業應用中涉及的召回演算法、排序演算法的原理和實現思路，以及特徵工程、冷啟動、效果評估、A/B測試、Web服務等核心工程知識，並包含金融、零售等行業的實施案例，另外也與時俱進地介紹了大模型及其在推薦系統中的應用。
本書適合推薦系統從業者、數智化轉型從業者及精細化運營從業者等閱讀。

作者介紹

劉強|責編:王軍花
劉強，2009年畢業於中國科學技術大學有15年大數據與AI相關實踐經驗。出版過暢銷書《構建企業級推薦系統》，翻譯過《AI革命》《認識AI》《MongoDB性能調優實戰》等優秀作品。目前是杭州數卓信息技術有限公司CEO，公司業務方向為構建大模型推薦系統、大模型知識庫等，幫助企業利用大模型技術進行降本提效與精細化運營。同時，擔任達觀數據高級技術顧問，與達觀數據一同推動推薦系統及大模型技術在行業的落地。

推薦系統基礎篇
  第1章  推薦系統基礎
    1.1  推薦系統的定義
    1.2  推薦系統解決的問題
    1.3  推薦系統的應用領域
    1.4  常用的推薦演算法
      1.4.1  基於內容的推薦演算法
      1.4.2  協同過濾演算法
    1.5  構建推薦系統的挑戰
      1.5.1  數據維度
      1.5.2  模型維度
      1.5.3  服務維度
      1.5.4  場景維度
      1.5.5  價值維度
    1.6  推薦系統的價值
    1.7  小結
  第2章  推薦系統的產品與運營
    2.1  推薦系統產品
    2.2  推薦系統產品形態
      2.2.1  熱門推薦榜單推薦
      2.2.2  個性化推薦
      2.2.3  信息流推薦
      2.2.4  物品關聯推薦
    2.3  推薦系統運營
    2.4  小結
  第3章  推薦系統的業務流程與架構
    3.1  推薦演算法的業務流程
      3.1.1  數據收集
      3.1.2  ETL與特徵工程
      3.1.3  模型構建
      3.1.4  模型預測
      3.1.5  Web服務
      3.1.6  離線評估與在線評估
      3.1.7  其他支撐模塊
    3.2  推薦服務的pipeline架構
    3.3  推薦系統的工程架構設計原則
    3.4  小結
  第4章  推薦系統的數據源與數據預處理
    4.1  推薦系統的數據源
      4.1.1  根據產品功能來劃分
      4.1.2  根據數據載體來劃分
      4.1.3  根據數據組織形式來劃分
    4.2  數據預處理
      4.2.1  抽取
      4.2.2  轉換
      4.2.3  載入
    4.3  小結
  第5章  推薦系統的特徵工程
    5.1  推薦系統架構下的特徵工程
    5.2  推薦系統的5類特徵

      5.2.1  用戶畫像特徵
      5.2.2  物品畫像特徵
      5.2.3  用戶行為特徵
      5.2.4  場景特徵
      5.2.5  交叉特徵
    5.3  推薦演算法與特徵工程
      5.3.1  個性化推薦下的樣本與特徵
      5.3.2  物品關聯推薦下的樣本與特徵
    5.4  推薦系統特徵工程面臨的挑戰
      5.4.1  異構數據
      5.4.2  實時推薦
      5.4.3  複雜場景下的推薦
      5.4.4  用戶隱私與信息安全
    5.5  小結
召回演算法篇
  第6章  推薦系統的召回演算法
    6.1  什麼是召回演算法
    6.2  常用的召回演算法介紹
      6.2.1  基於演算法複雜度分類
      6.2.2  基於數據維度分類
      6.2.3  基於演算法是否個性化分類
    6.3  關於召回演算法的使用說明
      6.3.1  別使用太複雜的召回演算法
      6.3.2  使用多維度的召回演算法
      6.3.3  基於業務策略進行召回
    6.4  小結
  第7章  基於規則和策略的召回演算法
    7.1  熱門召回
    7.2  基於物品標籤的召回
      7.2.1  物品關聯召回
      7.2.2  個性化召回
    7.3  基於用戶畫像的召回
      7.3.1  基於用戶自然屬性的召回
      7.3.2  基於用戶社會屬性的召回
      7.3.3  基於用戶業務屬性的召回
      7.3.4  基於用戶設備屬性的召回
    7.4  基於地域的召回
    7.5  基於時間的召回
    7.6  小結
  第8章  基礎召回演算法
    8.1  關聯規則召回演算法
    8.2  聚類召回演算法
      8.2.1  基於用戶聚類的召回
      8.2.2  基於物品聚類的召回
    8.3  樸素貝葉斯召回演算法
    8.4  協同過濾召回演算法
      8.4.1  基於用戶的協同過濾
      8.4.2  基於物品的協同過濾
    8.5  矩陣分解召回演算法
      8.5.1  矩陣分解召回演算法的核心思想

      8.5.2  矩陣分解召回演算法的實現原理
      8.5.3  矩陣分解召回演算法的求解方法
    8.6  小結
  第9章  高階召回演算法
    9.1  嵌入方法召回
      9.1.1  word2vec原理介紹
      9.1.2  item2vec原理介紹
      9.1.3  item2vec在召回中的應用
    9.2  深度學習召回
      9.2.1  YouTube深度學習召回演算法原理
      9.2.2  優化召回演算法的線上服務策略
    9.3  小結
排序演算法篇
  第10章  推薦系統的排序演算法
    10.1  什麼是排序演算法
    10.2  常用的排序演算法
      10.2.1  基於規則和策略的排序演算法
      10.2.2  基礎排序演算法
      10.2.3  高階排序演算法
    10.3  關於排序演算法的3點說明
      10.3.1  是否一定要用排序演算法
      10.3.2  粗排和精排
      10.3.3  排序后的業務調控
    10.4  小結
  第11章  基於規則和策略的排序演算法
    11.1  多種召回隨機打散
    11.2  按照某種順序排列
    11.3  召回得分歸一化排序
    11.4  匹配用戶畫像排序
    11.5  利用代理演算法排序
    11.6  幾種策略的融合使用
    11.7  小結
  第12章  基礎排序演算法
    12.1  logistic回歸排序演算法
      12.1.1  logistic回歸的演算法原理
      12.1.2  logistic回歸的特點
      12.1.3  logistic回歸的工程實現
      12.1.4  logistic回歸在業界的應用
    12.2  FM排序演算法
      12.2.1  FM的演算法原理
      12.2.2  FM的參數估計
      12.2.3  FM的計算複雜度
      12.2.4  FM模型求解
      12.2.5  FM用於推薦排序
    12.3  GBDT排序演算法
      12.3.1  GBDT的演算法原理
      12.3.2  GBDT用於推薦排序
    12.4  小結
  第13章  高階排序演算法
    13.1  Wide&Deep排序演算法

      13.1.1  模型特性
      13.1.2  模型架構
      13.1.3  Wide&Deep的工程實現
    13.2  YouTube深度學習排序演算法
      13.2.1  模型架構
      13.2.2  加權logistic回歸解釋
      13.2.3  預測播放時長
    13.3  小結
工程實踐篇
  第14章  推薦系統的冷啟動
    14.1  冷啟動的定義
    14.2  冷啟動面臨的挑戰
    14.3  解決冷啟動問題為何如此重要
    14.4  解決冷啟動問題的方法和策略
      14.4.1  用戶冷啟動
      14.4.2  物品冷啟動
    14.5  小結
  第15章  推薦系統的效果評估
    15.1  推薦系統評估的目的
    15.2  推薦系統評估方法的分類
    15.3  常用評估方法
      15.3.1  離線評估
      15.3.2  在線評估
    15.4  小結
  第16章  推薦系統的AB測試
    16.1  什麼是AB測試
    16.2  AB測試的價值
      16.2.1  為評估產品優化效果提供科學的證據
      16.2.2  增強決策的說服力
      16.2.3  提升用戶體驗
      16.2.4  提升公司變現能力
    16.3  推薦系統的AB測試實現方案
      16.3.1  AB測試的核心模塊
      16.3.2  AB測試的業務流程
    16.4  小結
  第17章  推薦系統的Web服務
    17.1  推薦系統Web服務的構成
    17.2  推薦系統API服務
    17.3  推薦系統推斷服務
      17.3.1  推斷服務的兩種實現方式
      17.3.2  事先計算型推斷服務
      17.3.3  實時裝配型推斷服務
      17.3.4  兩種推斷服務的優劣對比
    17.4  小結
代碼實戰篇
  第18章  NetflixPrize推薦演算法代碼實戰案例
    18.1  NetflixPrize競賽簡介
    18.2  NetflixPrize競賽數據集簡介
    18.3  數據預處理
    18.4  推薦系統演算法實現

      18.4.1  召回演算法
      18.4.2  排序演算法
    18.5  小結
  第19章  H&M推薦演算法代碼實戰案例
    19.1  H&M數據集簡介
    19.2  數據預處理與特徵工程
      19.2.1  基於物品信息構建物品特徵矩陣
      19.2.2  基於標籤構建用戶興趣畫像
      19.2.3  構建推薦演算法的特徵矩陣
    19.3  推薦系統演算法實現
      19.3.1  召回演算法
      19.3.2  排序演算法
    19.4  小結
行業案例篇
  第20章  推薦系統在金融行業的應用
    20.1  達觀數據推薦系統簡介
    20.2  項目背景
    20.3  核心功能模塊
      20.3.1  增長洞察
      20.3.2  數字畫像
      20.3.3  推薦引擎
      20.3.4  智能監控
      20.3.5  應用交流
      20.3.6  平台管理
    20.4  技術實現方案
      20.4.1  系統總體架構
      20.4.2  系統數據流
      20.4.3  模型特徵加工流程
      20.4.4  模型訓練和預測流程
      20.4.5  項目主要成果
    20.5  小結
  第21章  推薦系統在零售行業的應用
    21.1  零售電商推薦需求背景
    21.2  零售推薦場景的價值
    21.3  達觀智能推薦在零售行業的應用案例
      21.3.1  某知名運動品牌智能推薦案例
      21.3.2  某知名日用品牌智能推薦案例
    21.4  小結
ChatGPT、大模型與推薦系統篇
  第22章  ChatGPT與大模型
    22.1  語言模型發展史
      22.1.1  統計語言模型
      22.1.2  神經網路語言模型
      22.1.3  預訓練語言模型
      22.1.4  大語言模型
    22.2  全球大模型簡介
      22.2.1  OpenAI大模型發展歷程
      22.2.2  全球大模型發展歷程
    22.3  大模型核心技術簡介
      22.3.1  預訓練技術

      22.3.2  微調技術
      22.3.3  應用
    22.4  大模型的應用場景
      22.4.1  內容生成
      22.4.2  問題解答
      22.4.3  互動式對話
      22.4.4  生產力工具企業服務
      22.4.5  特定硬體終端上的應用
      22.4.6  搜索推薦
    22.5  小結
  第23章  ChatGPT、大模型在推薦系統中的應用
    23.1  大模型為什麼能應用於推薦系統
    23.2  大模型在推薦系統中的應用方法
      23.2.1  大模型用於數據處理與特徵工程
      23.2.2  大模型用於召回與排序
      23.2.3  大模型用於交互控制
      23.2.4  大模型用於冷啟動
      23.2.5  大模型用於推薦解釋
      23.2.6  大模型用於跨領域推薦
    23.3  大模型應用於推薦系統的問題及挑戰
      23.3.1  大模型進行信息交互的形式限制
      23.3.2  大模型輸入的token數量限制
      23.3.3  位置偏差
      23.3.4  流行度偏差
      23.3.5  輸出結果的隨機性
    23.4  大模型推薦系統的發展趨勢與行業應用
      23.4.1  大模型和傳統推薦系統互為補充
      23.4.2  融合多模態信息是大模型推薦系統的發展方向
      23.4.3  基於增量學習的大模型推薦系統一定會出現
      23.4.4  對話式推薦系統會成為重要的產品形態
      23.4.5  借助大模型，推薦和搜索有可能合二為一
    23.5  小結
結尾篇
  第24章  推薦系統的未來發展
    24.1  政策及技術發展對推薦系統行業的影響
      24.1.1  政策層面的影響
      24.1.2  技術層面的影響
    24.2  推薦系統行業的就業環境變化
      24.2.1  推薦演算法商業策略師是新的職業方向
      24.2.2  在特定領域和場景下出現新的推薦形態
      24.2.3  推薦系統行業從業者需要更加關注業務價值產出
    24.3  推薦系統的應用場景及交互方式
      24.3.1  家庭場景
      24.3.2  車載場景
      24.3.3  VR/AR/MR場景
      24.3.4  傳統行業的精細化、個性化運營場景
    24.4  推薦演算法與工程架構的發展
      24.4.1  推薦演算法的新範式
      24.4.2  推薦系統工程層面的發展變化
    24.5  人與推薦系統的有效協同

    24.6  推薦系統多維價值體現
    24.7  小結
附錄A  推薦系統預備知識

同類熱銷排行榜

最近瀏覽的商品

推薦系統(演算法案例與大模型)/圖靈原創