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

推薦系統/電腦企業核心技術叢書

  • 作者：位元組跳動推薦技術團隊|責編:蘇洋
  • 出版社：機械工業
  • ISBN：9787111795643
  • 出版日期：2026/01/01
  • 裝幀：平裝
  • 頁數：275
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    作為人工智慧和機器學習的應用方向之一，推薦系統不僅在學術界積累了眾多文獻著作，在互聯網業界也有著廣泛的落地實踐，已服務過數億用戶，其演算法和系統設計相當複雜。本書結合互聯網大規模應用場景的實踐需求，回顧了推薦系統的發展歷史，解析了核心演算法、系統架構、評估方法等諸多推薦系統涉及的方向，具備很強的實用性。內容包括推薦系統介紹、推薦系統原理、推薦系統經典鏈路、推薦系統進階、推薦系統內容審核與冷啟動、推薦系統架構、推薦系統評估。
    本書適合有機器學習基礎的學生、演算法工程師，以及互聯網行業從業人員閱讀，也適合想了解推薦系統的跨行業人員閱讀。
作者介紹
位元組跳動推薦技術團隊|責編:蘇洋
目錄
叢書序
推薦序
前言
第1章  推薦系統介紹
  1.1  推薦系統崛起
  1.2  現代化的推薦系統產品
  1.3  推薦系統的未來
第2章  推薦系統原理
  2.1  推薦系統鏈路概覽
    2.1.1  監督學習
    2.1.2  推薦系統與監督學習的區別
    2.1.3  多階段推薦系統設計
    2.1.4  推薦系統的離/在線流程
    2.1.5  推薦系統的實時離/在線聯動
    2.1.6  端到端的推薦系統
  2.2  推薦方法
    2.2.1  模型結構與特徵設計
    2.2.2  目標設計
  2.3  推薦效果評估
    2.3.1  離線評估
    2.3.2  在線評估
第3章  推薦系統經典鏈路
  3.1  召回階段
    3.1.1  召回階段的作用及特殊性
    3.1.2  召回階段的建模方法
    3.1.3  召回建模的分類
    3.1.4  u2i召回
    3.1.5  i2i召回
    3.1.6  u2u2i召回
    3.1.7  召回的特定問題與解法
  3.2  粗排階段
    3.2.1  粗排階段的定位
    3.2.2  粗排階段的建模思路
    3.2.3  粗排模型的結構
    3.2.4  粗排效果的評估
  3.3  精排階段
    3.3.1  經典精排模型
    3.3.2  特徵交叉增強
    3.3.3  序列建模
  3.4  重排階段
    3.4.1  重排階段的框架
    3.4.2  一階段式重排
    3.4.3  二階段式重排
    3.4.4  多體裁混排
    3.4.5  對重排範式的思考
第4章  推薦系統進階
  4.1  推薦系統的多樣性
    4.1.1  問題設定
    4.1.2  相似度度量
    4.1.3  約束規則

    4.1.4  最大邊際相關
    4.1.5  行列式點過程
    4.1.6  相關拓展
  4.2  List-wise建模
    4.2.1  LTR方法
    4.2.2  評估式生成方法
    4.2.3  生成式建模方法
  4.3  多種用戶行為建模
    4.3.1  用戶行為
    4.3.2  常見的建模方法
    4.3.3  多目標融合
  4.4  消偏
    4.4.1  關於偏差的例子
    4.4.2  常見偏差和消偏方法
  4.5  圖模型
    4.5.1  圖模型介紹
    4.5.2  圖模型在推薦系統中的經典實踐
    4.5.3  圖模型的挑戰和未來
  4.6  探索與利用
    4.6.1  問題與演算法
    4.6.2  業務應用
    4.6.3  E&E平台
  4.7  動態權重/門控類模型
    4.7.1  動態權重/門控類模型介紹
    4.7.2  動態權重/門控類模型的建模方式
    4.7.3  動態權重/門控類模型的性能
第5章  推薦系統內容審核與冷啟動
  5.1  內容審核
    5.1.1  審核系統的目標
    5.1.2  審核流程設計
    5.1.3  審核策略設計
    5.1.4  審核模型設計
    5.1.5  抄襲和洗稿識別
    5.1.6  謠言識別
  5.2  冷啟動
    5.2.1  冷啟動的問題和挑戰
    5.2.2  通用技術手段——元學習
    5.2.3  用戶冷啟動實踐
    5.2.4  物料冷啟動實踐
第6章  推薦系統架構
  6.1  推薦系統整體架構
  6.2  數據流樣本拼接
    6.2.1  實時樣本拼接
    6.2.2  大數據架構結合推薦系統
  6.3  分散式訓練
    6.3.1  數據並行和模型並行
    6.3.2  參數伺服器非同步訓練架構
  6.4  推理優化
    6.4.1  什麼是推理優化
    6.4.2  推理優化實用技巧

第7章  推薦系統評估
  7.1  A/B實驗簡介
    7.1.1  A/B實驗的基本假設
    7.1.2  A/B實驗的分流
    7.1.3  A/B實驗的基本流程
    7.1.4  假設檢驗
  7.2  A/B實驗的指標建設
    7.2.1  業務規模類指標的檢驗
    7.2.2  效率類指標的檢驗
  7.3  A/B實驗指標的靈敏度提升
    7.3.1  CUPED方法
    7.3.2  協變數調整
  7.4  A/B實驗的注意事項
參考文獻

  • 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