7.7
豆瓣评分
可以朗读
语音朗读
406千字
字数
2021-08-01
发行日期
展开全部
主编推荐语
从场景、算法、工程、运营、实践等多维度深度梳理构建企业级推荐系统的方法。
内容简介
本书从不同角度来介绍企业级推荐系统构建的理论、方法、策略。
首先让读者对推荐系统有一个基础的认知，然后针对将要用到的算法知识进行了详细讲解，接着从用户维度、标的物维度、算法维度、平台方维度等角度介绍了评估方法，再进行了工程实现，通过案例对工程实现的核心模块、架构设计、技术选型进行分解。紧接其后从运营角度讲解了推荐产品的应用场景及设计推荐产品的基本原则，并进行了实践，通过实践案例分析，进一步强化前面介绍的各个知识点，让读者有一个系统认识。
目录
- 版权信息
- 前言 为什么要写这本书
- 第一篇 推荐系统基础认知
- 第1章 推荐系统介绍
- 1.1 推荐系统产生的背景
- 1.2 推荐系统解决什么问题
- 1.3 推荐系统的应用领域
- 1.4 推荐系统的定义
- 1.5 常用的推荐算法
- 1.6 构建推荐系统的阻碍与挑战
- 1.7 推荐系统的价值
- 1.8 本章小结
- 第二篇 推荐系统基础算法
- 第2章 推荐算法基础
- 2.1 推荐系统范式
- 2.2 推荐算法3阶段pipeline架构
- 2.3 推荐召回算法
- 2.4 排序算法
- 2.5 推荐算法落地需要关注的几个问题
- 2.6 本章小结
- 第3章 基于内容的推荐算法
- 3.1 什么是基于内容的推荐算法
- 3.2 基于内容的推荐算法的实现原理
- 3.3 基于内容的推荐算法应用场景
- 3.4 基于内容的推荐算法的优缺点
- 3.5 基于内容的推荐算法落地需要关注的问题
- 3.6 本章小结
- 第4章 协同过滤推荐算法
- 4.1 协同过滤思想简介
- 4.2 协同过滤算法原理介绍
- 4.3 离线协同过滤算法的工程实现
- 4.4 近实时协同过滤算法的工程实现
- 4.5 协同过滤算法的应用场景
- 4.6 协同过滤算法的优缺点
- 4.7 协同过滤算法落地到业务场景需要关注的问题
- 4.8 本章小结
- 第5章 基于朴素ML思想的协同过滤算法
- 5.1 基于关联规则的推荐算法
- 5.2 基于朴素贝叶斯的推荐算法
- 5.3 基于聚类的推荐算法
- 5.4 YouTube基于关联规则思路的视频推荐算法
- 5.5 Google News基于贝叶斯框架的推荐算法
- 5.6 Google News基于用户聚类的推荐算法
- 5.7 本章小结
- 第6章 矩阵分解推荐算法
- 6.1 矩阵分解推荐算法的核心思想
- 6.2 矩阵分解推荐算法的算法原理
- 6.3 矩阵分解推荐算法的求解方法
- 6.4 矩阵分解推荐算法的拓展与优化
- 6.5 近实时矩阵分解算法
- 6.6 矩阵分解算法的应用场景
- 6.7 矩阵分解算法的优缺点
- 6.8 本章小结
- 第7章 因子分解机
- 7.1 分解机简单介绍
- 7.2 分解机参数预估与模型价值
- 7.3 分解机与其他模型的关系
- 7.4 分解机的工程实现
- 7.5 分解机的拓展
- 7.6 近实时分解机
- 7.7 分解机在推荐系统上的应用
- 7.8 分解机的优势
- 7.9 本章小结
- 第三篇 推荐系统进阶算法
- 第8章 推荐系统冷启动
- 8.1 冷启动的概念
- 8.2 解决冷启动面临的挑战
- 8.3 解决冷启动的重要性
- 8.4 解决冷启动的方法和策略
- 8.5 不同推荐产品形态解决冷启动的方案
- 8.6 设计冷启动需要注意的问题
- 8.7 冷启动的未来发展趋势
- 8.8 本章小结
- 第9章 嵌入方法在推荐系统中的应用
- 9.1 嵌入方法简介
- 9.2 嵌入方法应用于推荐系统的一般思路
- 9.3 用于推荐系统的嵌入方法的算法原理介绍
- 9.4 嵌入方法在推荐系统中的应用案例介绍
- 9.5 利用嵌入方法解决冷启动问题
- 9.6 本章小结
- 第10章 深度学习在推荐系统中的应用
- 10.1 深度学习介绍
- 10.2 利用深度学习技术构建推荐系统的方法和思路
- 10.3 工业界几个经典深度学习推荐算法介绍
- 10.4 开源深度学习框架&推荐算法
- 10.5 深度学习技术应用于推荐系统的优缺点及挑战
- 10.6 深度学习推荐系统工程实施建议
- 10.7 深度学习推荐系统的未来发展
- 10.8 本章小结
- 第11章 混合推荐系统介绍
- 11.1 什么是混合推荐系统
- 11.2 混合推荐系统的价值
- 11.3 混合推荐系统的实现方案
- 11.4 工业级推荐系统与混合推荐
- 11.5 对混合推荐系统的思考
- 11.6 本章小结
- 第12章 构建可解释性推荐系统
- 12.1 可解释性推荐系统简介
- 12.2 构建可解释性推荐系统的方法
- 12.3 常用工业级推荐产品的推荐解释
- 12.4 做好推荐解释需要关注的几个问题
- 12.5 构建可解释性推荐系统面临的挑战与机遇
- 12.6 本章小结
- 第四篇 推荐系统评估与价值
- 第13章 推荐系统的评估
- 13.1 推荐系统评估的目的
- 13.2 评估推荐系统的常用指标
- 13.3 推荐系统的评估方法
- 13.4 推荐系统评估需要关注的问题
- 13.5 本章小结
- 第14章 推荐系统的商业价值
- 14.1 为什么要关注推荐系统的商业价值
- 14.2 衡量推荐系统商业价值的维度
- 14.3 量化推荐系统商业价值的思路和方法
- 14.4 提升推荐系统商业价值需要关注的问题及建议
- 14.5 本章小结
- 第五篇 推荐系统工程实现
- 第15章 推荐系统之数据与特征工程
- 15.1 推荐算法建模的一般流程
- 15.2 推荐系统依赖的数据源介绍
- 15.3 数据处理与特征工程简介
- 15.4 常用推荐算法之数据与特征工程
- 15.5 推荐系统数据与特征工程的未来趋势
- 15.6 本章小结
- 第16章 推荐系统的工程实现
- 16.1 推荐系统与大数据
- 16.2 推荐系统业务流及核心模块
- 16.3 推荐系统支撑模块
- 16.4 推荐系统架构设计
- 16.5 推荐系统工程实现的设计哲学
- 16.6 近实时个性化推荐
- 16.7 推荐系统业务落地需要关注的问题
- 16.8 推荐系统的技术选型
- 16.9 推荐系统工程的未来发展
- 16.10 本章小结
- 第17章 AB测试平台的工程实现
- 17.1 什么是AB测试
- 17.2 AB测试的价值
- 17.3 什么时候需要AB测试
- 17.4 AB测试的应用场景
- 17.5 AB测试平台的核心模块
- 17.6 业界流行的AB测试架构实现方案
- 17.7 推荐系统业务AB测试实现方案
- 17.8 开发AB测试平台需要的资源及支持
- 17.9 构建AB测试平台需要关注的重要问题
- 17.10 本章小结
- 第18章 构建优质的推荐系统服务
- 18.1 推荐服务背景介绍
- 18.2 什么是优质的推荐服务
- 18.3 设计优质的推荐服务面临的挑战
- 18.4 构建优质服务的一般原则
- 18.5 设计优质推荐服务的可行策略
- 18.6 本章小结
- 第19章 推荐系统提供Web服务
- 19.1 什么是推荐系统Web服务
- 19.2 推荐系统提供Web服务的两种方式
- 19.3 两种Web服务方式的优劣对比
- 19.4 影响Web服务方式的因素及选择原则
- 19.5 本章小结
- 第20章 实时个性化推荐
- 20.1 实时推荐系统背景介绍
- 20.2 实时推荐系统的价值
- 20.3 实时推荐系统的应用场景
- 20.4 实时推荐系统的整体架构
- 20.5 实时推荐系统的技术选型
- 20.6 实时推荐算法与工程实现
- 20.7 构建实时推荐系统面临的困难和挑战
- 20.8 实时推荐系统的未来发展
- 20.9 本章小结
- 第六篇 推荐系统产品与运营
- 第21章 推荐系统产品
- 21.1 推荐产品简介
- 21.2 推荐产品形态介绍
- 21.3 推荐产品的应用场景
- 21.4 设计优质推荐产品的要点
- 21.5 本章小结
- 第22章 推荐系统的UI交互与视觉展示
- 22.1 信息获取与推荐系统
- 22.2 交互设计的基本原则
- 22.3 推荐系统的UI交互
- 22.4 推荐系统的视觉展示
- 22.5 关于推荐系统UI交互和视觉展示的展望
- 22.6 本章小结
- 第23章 推荐系统与精细化运营
- 23.1 运营简介
- 23.2 数据化运营
- 23.3 精细化运营
- 23.4 用户画像介绍
- 23.5 推荐系统与精细化运营
- 23.6 本章小结
- 第24章 推荐系统的人工调控策略
- 24.1 什么是推荐系统的人工调控
- 24.2 为什么要进行人工调控
- 24.3 怎样进行人工调控
- 24.4 怎样评估人工调控的价值
- 24.5 人工调控面临的挑战
- 24.6 人与机器的有效协作
- 24.7 本章小结
- 第七篇 推荐系统案例分析
- 第25章 从零开始构建企业级推荐系统
- 25.1 Why：你的产品为什么需要推荐系统
- 25.2 Who：让谁来搭建推荐系统
- 25.3 When：在产品的什么阶段搭建推荐系统
- 25.4 What、Where：搭建什么样的推荐系统
- 25.5 How：怎样搭建推荐系统
- 25.6 How much：关于构建推荐系统的资源投入
- 25.7 How feel：对推荐系统价值的预期
- 25.8 从零搭建推荐系统必须做好的3件事
- 25.9 几个具体实用的建议
- 25.10 本章小结
- 第26章 基于标签的实时短视频推荐系统
- 26.1 基于标签的推荐算法应用场景
- 26.2 基于标签的推荐算法原理
- 26.3 推荐产品的整体架构及工程实现
- 26.4 个性化推荐的召回与排序策略
- 26.5 冷启动策略
- 26.6 未来优化方向
- 26.7 本章小结
- 第27章 基于Erlang语言的视频相似推荐
- 27.1 视频相似推荐系统简介
- 27.2 相似推荐算法原理及实现细节
- 27.3 实现视频相似推荐系统的问题与难点
- 27.4 为什么要用Erlang语言开发
- 27.5 系统架构与工程实现
- 27.6 相似推荐的核心亮点
- 27.7 未来的优化方向
- 27.8 本章小结
- 附录A 推荐算法工程师的成长之道
- A.1 为什么说推荐算法是好的职业选择
- A.2 推荐算法工程师的发展路线及职业定位
- A.3 推荐算法工程师成长之“道”
- A.4 推荐算法工程师的危机及未来展望
- 附录B 推荐算法团队组成及目标定位
- B.1 推荐团队组成
- B.2 与推荐系统密切相关的其他团队
- B.3 推荐团队的目标与定位
- B.4 本章小结
展开全部
评分及书评
评分不足
1个评分
出版方
机械工业出版社有限公司
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
