互联网 类型
8.4 豆瓣评分
可以朗读 语音朗读
228千字 字数
2023-06-01 发行日期
展开全部

主编推荐语

本书深入全面地讲解了现代推荐算法，同时兼顾深度和广度，介绍了当下较前沿、先进的各类算法及其实践。

内容简介

本书从总览篇开始，介绍推荐系统的基本概念及工作环节。在模型篇中，除了梳理推荐系统的发展史，本书还重点讲解面向工业实践的选择及改进，为读者打下推荐系统的算法基础；进而带着读者进阶到前沿篇、难点篇，面对推荐系统中的各式问题，给出解决方案；最后在决策篇中，从技术原理和用户心理出发，解释一些常见决策背后的依据，从而帮助读者从执行层面进阶到决策层面，建立大局观。

本书力求用简洁易懂的语言说清核心原理，对已经有一定机器学习概念和数学基础的学生和相关领域的从业者非常友好，特别适合推荐系统、计算广告和搜索领域的从业者及学生拓展新知和项目实战。

目录

  • 版权信息
  • 《现代推荐算法》学习导图
  • 内容简介
  • 推荐序一
  • 推荐序二
  • 推荐序三
  • 推荐序四
  • 推荐序五
  • 推荐语
  • 前言
  • 总览篇
  • 第1章 推荐系统概述
  • 1.1 推荐系统是什么
  • 1.2 推荐系统发展的天时、地利、人和
  • 第2章 现代推荐链路
  • 2.1 召回、粗排、精排——各有所长
  • 2.2 召回、粗排、精排——级联漏斗
  • 2.3 打压、保送、重排——拍不完的脑袋
  • 模型篇
  • 第3章 精排之锋
  • 3.1 简单“复读机”——逻辑回归模型
  • 3.2 工业逻辑回归模型的稀疏性要求
  • 3.3 FM的一小步，泛化的一大步
  • 3.4 多彩的FNN/PNN/ONN/NFM世界
  • 3.5 高阶交叉
  • 3.6 工具人GBDT
  • 3.7 嵌入表示亦福亦祸，树模型的新机遇
  • 3.8 DNN与两大门派，“一念神魔”与功不唐捐
  • 3.9 再论特征与嵌入生成
  • 3.10 机器学习唯一指定王牌技术——注意力机制
  • 3.11 注意力机制的几种写法
  • 3.12 Transformer的升维打击
  • 第4章 粗排之柔
  • 4.1 粗排存在与否的必要性
  • 4.2 粗排复杂化的方法
  • 4.3 Pair-wise与List-wise
  • 第5章 召回之厚
  • 5.1 u2i之双塔进击史
  • 5.2 i2i及u2u2i方案
  • 5.3 近似搜索概览
  • 5.4 树模型与类树模型的冲击
  • 第6章 模型迭代的术与道
  • 6.1 什么是“老汤模型”
  • 6.2 模型迭代的“术”
  • 6.3 模型迭代的“道”
  • 前沿篇
  • 第7章 用户兴趣建模
  • 7.1 从百到万的用户长期兴趣建模
  • 7.2 用户多峰兴趣建模
  • 第8章 多任务学习
  • 8.1 多任务学习的实践意义
  • 8.2 多任务学习的基本框架
  • 8.3 平行关系建模——MMoE类方法
  • 8.4 非平行关系建模，任务间的因果
  • 第9章 非梯度场景
  • 9.1 线上与线下的鸿沟
  • 9.2 弱个性化CEM，强个性化强化学习
  • 9.3 探微参数与性能的关系，把点连成面
  • 第10章 探索与利用
  • 10.1 为什么要探索与利用
  • 10.2 探索的本质是巧妙“贪心”
  • 第11章 后精排环节
  • 11.1 定义多样性问题，简单的形式与复杂的标准
  • 11.2 DPP算法与多样性
  • 11.3 考虑上下文的重排序
  • 第12章 推荐中的偏差与消除
  • 12.1 各种各样的偏差
  • 12.2 流行度偏差的消除
  • 12.3 位置偏差的消除
  • 第13章 自动机器学习技术
  • 13.1 网络结构搜索与网络微操的探索
  • 13.2 特征的搜索
  • 13.3 模型压缩
  • 第14章 图计算
  • 14.1 数据结构的终极
  • 14.2 GNN的极简发展史
  • 14.3 物料非原子化，建模转向图
  • 难点篇
  • 第15章 延迟转化
  • 15.1 转化与广告机制
  • 15.2 转化的分解
  • 15.3 其他角度
  • 第16章 物料冷启动
  • 16.1 “多模态之石，可以攻玉”
  • 16.2 预排序向左，个性化向右
  • 16.3 流量分配，“普度众生”还是“造神”
  • 第17章 用户冷启动
  • 17.1 元学习，对模型拔高的要求
  • 17.2 初始化的基底分解与生成
  • 17.3 POSO，首个从结构角度改善用户冷启动的模型
  • 17.4 精品池：抓住人性需求
  • 第18章 因果推断
  • 18.1 当分布不够用时
  • 18.2 寻找“工具人”，将因果推断直接应用于推荐
  • 第19章 长尾优化
  • 决策篇
  • 第20章 流量
  • 20.1 重新认识流量
  • 20.2 时间的研究
  • 第21章 分层
  • 21.1 你必须理解的物料生命周期
  • 21.2 你必须理解的用户分层
  • 21.3 三阶段让用户为我“死心塌地”
  • 第22章 实验现象与回收
  • 22.1 决策上线的黄金法则
  • 22.2 “临门一脚”，结果真的置信了吗
  • 22.3 不万能的A/B实验和难以归因的反转
  • 22.4 线上和线下的对齐——无穷逼近
  • 后记
  • 参考文献
  • 反侵权盗版声明
  • 《现代推荐算法》学习导图
展开全部

评分及书评

评分不足
2个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。