本書是一本關於推薦系統產品如何落地的綜合圖書，內容覆蓋產品、演算法、工程、團隊和個人成長。書中不僅梳理了從事推薦系統工作需要具備的思維模式和需要瞭解的問題類型，還從產品和商業角度分析了當前最火爆的資訊流內在邏輯。本書用非常通俗易懂的方式介紹了推薦系統的經典演算法原理，並有相應的配套實踐代碼，以説明初入門的演算法工程師快速上手。
除了推薦演算法，書中還包含一些不屬於推薦演算法但是很常見的實用演算法。除演算法原理之外，還有典型的工程架構描述，以及架構內部的具體模組細節描述。這些都是在設計推薦系統的過程中不可或缺而又不容易在公開場合獲得的內容。此外，本書還涉及一部分推薦系統安全相關的知識，以及團隊搭建經驗和個人成長心得。
本書適合以推薦系統為代表的效果類產品從業者閱讀，包括決策者，以及產品、演算法、架構、安全、運營人員。這是一本可以架起不同工種之間友好溝通橋樑的書。
| FindBook |
|
有 1 項符合
陳開江的圖書 |
 |
$ 594 | 推薦系統
作者：陳開江 出版社：電子工業出版社 出版日期：2019-10-01 語言：簡體中文 規格：平裝 / 369頁 / 16k/ 19 x 26 x 1.84 cm / 普通級/ 單色印刷 / 1-1  博客來 - 網路技術
- 來源網頁  看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：推薦系統
內容簡介
作者介紹
陳開江
偶以“刑無刀”的名義“出沒江湖”，初於北京理工大學學習自然語言處理，先後任職於新浪微博、車語傳媒、貝殼找房等公司，做自然語言處理及推薦系統開發等工作，也曾有兩三年與推薦系統有關的創業經驗。有譯著《機器學習：實用案例解析》，在公眾號ResysChina上發表過推薦系統系列文章，在極客時間開設有《推薦系統36式》付費專欄。
偶以“刑無刀”的名義“出沒江湖”，初於北京理工大學學習自然語言處理，先後任職於新浪微博、車語傳媒、貝殼找房等公司，做自然語言處理及推薦系統開發等工作，也曾有兩三年與推薦系統有關的創業經驗。有譯著《機器學習：實用案例解析》，在公眾號ResysChina上發表過推薦系統系列文章，在極客時間開設有《推薦系統36式》付費專欄。
目錄
1 概念與思維 1
1．1 該要推薦系統嗎 2
1．1．1 什麼是推薦系統 2
1．1．2 是否需要推薦系統 4
1．1．3 小結 5
1．2 問題模式有哪些 7
1．2．1 預測問題模式 7
1．2．2 幾個常見頑疾 10
1．2．3 小結 12
1．3 要具有什麼樣的思維模式 13
1．3．1 關鍵元素 13
1．3．2 思維模式 15
1．3．3 小結 19
2 產品漫談 21
2．1 推薦系統的價值和成本 22
2．1．1 價值 22
2．1．2 成本 25
2．1．3 小結 27
2．2 信息流簡史 28
2．2．1 前世今生 28
2．2．2 配套設施 29
2．2．3 小結 33
3 內容推薦 35
3．1 用戶畫像簡介 36
3．1．1 什麼是用戶畫像 36
3．1．2 關鍵因素 38
3．1．3 構建方法 40
3．1．4 小結 41
3．2 標籤挖掘技術 42
3．2．1 挖掘標籤的物料 42
3．2．2 標籤庫該有的樣子 43
3．2．3 標籤挖掘方法 45
3．2．4 小結 76
3．3 基於內容的推薦 78
3．3．1 為什麼要做好內容推薦 78
3．3．2 基於內容的推薦系統 79
3．3．3 小結 83
4 近鄰推薦 85
4．1 基於使用者的協同過濾演算法 86
4．1．1 協同過濾演算法 86
4．1．2 基於使用者的協同過濾演算法原理 87
4．1．3 應用場景 98
4．1．4 小結 99
4．2 基於物品的協同過濾演算法 100
4．2．1 常見的應用場景 100
4．2．2 演算法原理 101
4．2．3 小結 110
4．3 相似度演算法一覽 111
4．3．1 相似度的本質 111
4．3．2 相似度計算方法 112
4．3．3 向量化計算 115
4．3．4 小結 117
5 矩陣分解 119
5．1 SVD演算法 120
5．1．1 歷史背景 120
5．1．2 首談矩陣分解 121
5．1．3 小結 129
5．2 ALS演算法 130
5．2．1 再談矩陣分解 130
5．2．2 ALS演算法原理 131
5．2．3 隱式回饋 132
5．2．4 推薦計算 136
5．2．5 小結 137
5．3 BPR演算法 138
5．3．1 三談矩陣分解 138
5．3．2 貝葉斯個性化排序 139
5．3．3 小結 146
6 模型融合 147
6．1 線性模型和樹模型 148
6．1．1 為什麼要融合 148
6．1．2 “輯度組合”原理 150
6．1．3 小結 163
6．2 因數分解機 164
6．2．1 從特徵組合說起 164
6．2．2 因數分解機詳解 165
6．2．3 小結 173
6．3 Wide＆Deep模型 174
6．3．1 要“深”還是要“寬” 174
6．3．2 Wide ＆ Deep模型詳解 175
6．3．3 幾點技巧 180
6．3．4 模型實例 182
6．3．5 小結 186
7 探索和利用 189
7．1 MAB問題與Bandit演算法 190
7．1．1 推薦即選擇 190
7．1．2 MAB問題 191
7．1．3 Bandit演算法 192
7．1．4 冷開機 201
7．1．5 小結 201
7．2 加入特徵的UCB演算法 202
7．2．1 UCB演算法回顧 202
7．2．2 LinUCB演算法 203
7．2．3 構建特徵 209
7．2．4 小結 211
7．3 Bandit演算法與協同過濾演算法 212
7．3．1 信息繭房 212
7．3．2 COFIBA演算法 213
7．3．3 再談EE問題 222
7．3．4 小結 223
8 深度學習 225
8．1 深度隱因數 226
8．1．1 深度學習與推薦系統 226
8．1．2 各種“2Vec” 229
8．1．3 深度Embedding 232
8．1．4 深度學習與視頻推薦 236
8．1．5 小結 238
8．2 深度CTR預估 239
8．2．1 深度學習與CTR預估 239
8．2．2 CTR預估 240
8．2．3 小結 248
9 其他演算法 249
9．1 排行榜 250
9．1．1 為什麼要有排行榜 250
9．1．2 排行榜演算法 251
9．1．3 小結 257
9．2 採樣演算法 259
9．2．1 有限資料集 260
9．2．2 無限資料集 262
9．2．3 小結 263
9．3 重複檢測 264
9．3．1 生產端的重複檢測 264
9．3．2 消費端的重複檢測 266
9．3．3 小結 268
10 架構總覽 269
10．1 資訊流推薦架構 270
10．1．1 資訊流的種類 270
10．1．2 抓取聚合信息流 271
10．1．3 社交動態資訊流 274
10．1．4 小結 281
10．2 個性化首頁架構 282
10．2．1 架構的特質 282
10．2．2 Netflix的個性化首頁架構 282
10．2．3 簡化推薦系統架構 287
10．2．4 小結 289
10．3 搜尋引擎、推薦系統及廣告系統 290
10．3．1 異同對比 290
10．3．2 三者的架構 292
10．3．3 三者的協同 294
10．3．4 小結 294
11 關鍵模組 297
11．1 日誌收集 298
11．1．1 日誌的用途 298
11．1．2 詳細方案 299
11．1．3 小結 305
11．2 即時推薦 306
11．2．1 即時的層次 306
11．2．2 即時推薦要點 307
11．2．3 小結 318
11．3 AB實驗 319
11．3．1 AB實驗是什麼 319
11．3．2 AB實驗框架 321
11．3．3 實驗資料分析 327
11．3．4 小結 331
11．4 推薦服務 332
11．4．1 服務 332
11．4．2 存儲 332
11．4．3 API 336
11．4．4 小結 340
11．5 開源工具 341
11．5．1 不重複造輪子 341
11．5．2 內容分析 342
11．5．3 協同過濾和矩陣分解 342
11．5．4 模型融合 344
11．5．5 Web服務框架 344
11．5．6 其他演算法 345
11．5．7 完整推薦系統 345
11．5．8 小結 345
12 效果保證 347
12．1 測試及常用指標 348
12．1．1 測試方法 348
12．1．2 檢測指標 351
12．1．3 小結 356
12．2 推薦系統的安全 357
12．2．1 攻擊手段 357
12．2．2 防護方式 360
12．2．3 小結 362
13 團隊與個人 363
13．1 團隊組建 364
13．2 個人成長 367
13．3 小結 370
1．1 該要推薦系統嗎 2
1．1．1 什麼是推薦系統 2
1．1．2 是否需要推薦系統 4
1．1．3 小結 5
1．2 問題模式有哪些 7
1．2．1 預測問題模式 7
1．2．2 幾個常見頑疾 10
1．2．3 小結 12
1．3 要具有什麼樣的思維模式 13
1．3．1 關鍵元素 13
1．3．2 思維模式 15
1．3．3 小結 19
2 產品漫談 21
2．1 推薦系統的價值和成本 22
2．1．1 價值 22
2．1．2 成本 25
2．1．3 小結 27
2．2 信息流簡史 28
2．2．1 前世今生 28
2．2．2 配套設施 29
2．2．3 小結 33
3 內容推薦 35
3．1 用戶畫像簡介 36
3．1．1 什麼是用戶畫像 36
3．1．2 關鍵因素 38
3．1．3 構建方法 40
3．1．4 小結 41
3．2 標籤挖掘技術 42
3．2．1 挖掘標籤的物料 42
3．2．2 標籤庫該有的樣子 43
3．2．3 標籤挖掘方法 45
3．2．4 小結 76
3．3 基於內容的推薦 78
3．3．1 為什麼要做好內容推薦 78
3．3．2 基於內容的推薦系統 79
3．3．3 小結 83
4 近鄰推薦 85
4．1 基於使用者的協同過濾演算法 86
4．1．1 協同過濾演算法 86
4．1．2 基於使用者的協同過濾演算法原理 87
4．1．3 應用場景 98
4．1．4 小結 99
4．2 基於物品的協同過濾演算法 100
4．2．1 常見的應用場景 100
4．2．2 演算法原理 101
4．2．3 小結 110
4．3 相似度演算法一覽 111
4．3．1 相似度的本質 111
4．3．2 相似度計算方法 112
4．3．3 向量化計算 115
4．3．4 小結 117
5 矩陣分解 119
5．1 SVD演算法 120
5．1．1 歷史背景 120
5．1．2 首談矩陣分解 121
5．1．3 小結 129
5．2 ALS演算法 130
5．2．1 再談矩陣分解 130
5．2．2 ALS演算法原理 131
5．2．3 隱式回饋 132
5．2．4 推薦計算 136
5．2．5 小結 137
5．3 BPR演算法 138
5．3．1 三談矩陣分解 138
5．3．2 貝葉斯個性化排序 139
5．3．3 小結 146
6 模型融合 147
6．1 線性模型和樹模型 148
6．1．1 為什麼要融合 148
6．1．2 “輯度組合”原理 150
6．1．3 小結 163
6．2 因數分解機 164
6．2．1 從特徵組合說起 164
6．2．2 因數分解機詳解 165
6．2．3 小結 173
6．3 Wide＆Deep模型 174
6．3．1 要“深”還是要“寬” 174
6．3．2 Wide ＆ Deep模型詳解 175
6．3．3 幾點技巧 180
6．3．4 模型實例 182
6．3．5 小結 186
7 探索和利用 189
7．1 MAB問題與Bandit演算法 190
7．1．1 推薦即選擇 190
7．1．2 MAB問題 191
7．1．3 Bandit演算法 192
7．1．4 冷開機 201
7．1．5 小結 201
7．2 加入特徵的UCB演算法 202
7．2．1 UCB演算法回顧 202
7．2．2 LinUCB演算法 203
7．2．3 構建特徵 209
7．2．4 小結 211
7．3 Bandit演算法與協同過濾演算法 212
7．3．1 信息繭房 212
7．3．2 COFIBA演算法 213
7．3．3 再談EE問題 222
7．3．4 小結 223
8 深度學習 225
8．1 深度隱因數 226
8．1．1 深度學習與推薦系統 226
8．1．2 各種“2Vec” 229
8．1．3 深度Embedding 232
8．1．4 深度學習與視頻推薦 236
8．1．5 小結 238
8．2 深度CTR預估 239
8．2．1 深度學習與CTR預估 239
8．2．2 CTR預估 240
8．2．3 小結 248
9 其他演算法 249
9．1 排行榜 250
9．1．1 為什麼要有排行榜 250
9．1．2 排行榜演算法 251
9．1．3 小結 257
9．2 採樣演算法 259
9．2．1 有限資料集 260
9．2．2 無限資料集 262
9．2．3 小結 263
9．3 重複檢測 264
9．3．1 生產端的重複檢測 264
9．3．2 消費端的重複檢測 266
9．3．3 小結 268
10 架構總覽 269
10．1 資訊流推薦架構 270
10．1．1 資訊流的種類 270
10．1．2 抓取聚合信息流 271
10．1．3 社交動態資訊流 274
10．1．4 小結 281
10．2 個性化首頁架構 282
10．2．1 架構的特質 282
10．2．2 Netflix的個性化首頁架構 282
10．2．3 簡化推薦系統架構 287
10．2．4 小結 289
10．3 搜尋引擎、推薦系統及廣告系統 290
10．3．1 異同對比 290
10．3．2 三者的架構 292
10．3．3 三者的協同 294
10．3．4 小結 294
11 關鍵模組 297
11．1 日誌收集 298
11．1．1 日誌的用途 298
11．1．2 詳細方案 299
11．1．3 小結 305
11．2 即時推薦 306
11．2．1 即時的層次 306
11．2．2 即時推薦要點 307
11．2．3 小結 318
11．3 AB實驗 319
11．3．1 AB實驗是什麼 319
11．3．2 AB實驗框架 321
11．3．3 實驗資料分析 327
11．3．4 小結 331
11．4 推薦服務 332
11．4．1 服務 332
11．4．2 存儲 332
11．4．3 API 336
11．4．4 小結 340
11．5 開源工具 341
11．5．1 不重複造輪子 341
11．5．2 內容分析 342
11．5．3 協同過濾和矩陣分解 342
11．5．4 模型融合 344
11．5．5 Web服務框架 344
11．5．6 其他演算法 345
11．5．7 完整推薦系統 345
11．5．8 小結 345
12 效果保證 347
12．1 測試及常用指標 348
12．1．1 測試方法 348
12．1．2 檢測指標 351
12．1．3 小結 356
12．2 推薦系統的安全 357
12．2．1 攻擊手段 357
12．2．2 防護方式 360
12．2．3 小結 362
13 團隊與個人 363
13．1 團隊組建 364
13．2 個人成長 367
13．3 小結 370
|
