精通推薦演算法-核心模塊+經典模型+代碼詳解 謝楊易 9787121474514 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$566
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202403*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：精通推薦演算法-核心模塊+經典模型+代碼詳解 ISBN：9787121474514 出版社：電子工業 著編譯者：謝楊易 頁數：280 所在地：中國大陸 *此為代購商品 書號：1626335 可大量預訂，請先連絡。 內容簡介 本書系統介紹了推薦演算法的知識框架和技術細節，包括召回、粗排、精排和重排等模塊。第1章從用戶體驗、內容生產和平台發展角度介紹為什麼需要推薦系統，並闡述推薦系統的分類及整體技術架構。第2章介紹推薦演算法模型的基礎——數據樣本和特徵工程。第3章介紹傳統推薦演算法。第4∼7章介紹推薦系統中最複雜的部分——精排模塊，包括特徵交叉、用戶行為序列建模、Embedding表徵學習和多任務學習。第8章介紹召回模塊，並詳細講解非個性化召回和個性化召回演算法。第9章介紹粗排模塊，重點講解特徵蒸餾和輕量級特徵交叉等方法。第10章介紹重排模塊，包括打散和多樣性、上下文感知和端上重排等技術細節。 本書適用於推薦演算法初學者、有一定工作經驗的推薦演算法工程師，以及搜索、廣告和營銷等領域的從業者，也可作為高等院校計算機等相關專業師生的參考資料。作者簡介 謝楊易，本科畢業於華中科技大學，碩士畢業於中國科學院大學。主要研究方向為推薦演算法、個性化搜索和自然語言處理，歷任阿里巴巴演算法專家、騰訊應用演算法研究員等職位，在搜索和推薦演算法領域積累了豐富的經驗。CSDN博客專家，原創文章100餘篇。發表專利15個，已授權6個。目錄 第1章 推薦系統概述1 1 為什麼需要推薦系統 1 1 1 推薦系統與用戶體驗 1 1 2 推薦系統與內容生產 1 1 3 推薦系統與平台發展 1 2 推薦系統分類 1 2 1 業務領域分類 1 2 2 內容介質分類 1 2 3 交互形態分類 1 2 4 應用場景分類 1 3 推薦系統技術架構 1 4 本章小結 第2章 數據樣本和特徵工程 2 1 數據樣本 2 1 1 樣本不均衡問題 2 1 2 樣本不置信問題 2 1 3 離/在線樣本不一致問題 2 2 特徵工程 2 2 1 特徵類目體系 2 2 2 特徵處理範式 2 2 3 特徵重要性評估 2 3 本章小結 第3章 傳統推薦演算法 3 1 協同過濾 3 1 1 基於用戶的協同過濾 3 1 2 基於物品的協同過濾 3 1 3 協同過濾的優點和局限性 3 2 矩陣分解 3 2 1 矩陣分解實現方法 3 2 2 矩陣分解的優點和局限性 3 3 邏輯回歸 3 3 1 邏輯回歸求解過程 3 3 2 邏輯回歸的優點和局限性 3 4 因子分解機 3 4 1 因子分解機模型簡化 3 4 2 因子分解機的優點和局限性 3 5 組合模型 3 5 1 GBDT+LR組合模型結構 3 5 2 GBDT特徵轉換過程 3 5 3 組合模型的思考和總結 3 6 本章小結 第4章 特徵交叉 4 1 特徵交叉概述 4 1 1 特徵交叉的意義 4 1 2 特徵交叉基本範式 4 1 3 特徵交叉的難點 4 2 Deep Crossing：經典DNN框架模型 4 2 1 業務背景和特徵體系 4 2 2 模型結構 4 2 3 實現方法 4 3 FNN 4 3 1 為什麼Embedding收斂慢 4 3 2 模型結構 4 4 PNN 4 4 1 模型結構 4 4 2 特徵交叉實現方法 4 5 Wide＆Deep：異構模型奠基者 4 5 1 「記憶」和「泛化」 4 5 2 模型結構 4 5 3 系統實現 4 5 4 代碼解析 4 6 DeepFM：異構模型Wide側引入FM 4 6 1 模型結構 4 6 2 代碼解析 4 7 DCN：異構模型Wide側引入高階交叉 4 8 NFM：異構模型Deep側引入顯式交叉 4 9 xDeepFM：異構模型引入子分支 4 10 本章小結 第5章 用戶行為序列建模 5 1 用戶行為序列建模概述 5 1 1 行為序列建模的意義 5 1 2 行為序列建模的基本範式 5 1 3 行為序列建模的主要難點 5 1 4 行為序列特徵工程 5 2 DIN：基於注意力機制建模用戶行為序列 5 2 1 背景 5 2 2 模型結構 5 2 3 模型訓練方法 5 2 4 代碼解析 5 3 DIEN：GRU建模用戶行為序列 5 3 1 模型結構：興趣抽取層 5 3 2 模型結構：興趣進化層 5 4 BST：Transformer建模用戶行為序列 5 4 1 模型結構 5 4 2 代碼解析 5 5 DSIN：基於Session建模用戶行為序列 5 6 MIMN：基於神經圖靈機建模長周期行為序列 5 6 1 工程設計：UIC模塊 5 6 2 MIMN模型結構 5 7 SIM：基於檢索建模長周期行為序列 5 8 ETA：基於SimHash實現檢索索引在線化 5 8 1 ETA模型結構 5 8 2 SimHash原理 5 9 本章小結 第6章 Embedding表徵學習 6 1 Embedding表徵學習概述 6 1 1 Embedding概述 6 1 2 Embedding表徵學習的意義 6 1 3 Embedding表徵學習的基本範式 6 1 4 Embedding表徵學習的主要難點 6 2 基於序列的Embedding建模方法 6 2 1 Word2vec任務定義：CBOW和Skip-gram 6 2 2 Word2vec模型結構 6 2 3 Word2vec訓練方法 6 2 4 Item2vec：推薦系統引入序列Embedding 6 2 5 序列建模總結和思考 6 3 基於同構圖遊走的Graph Embedding 6 3 1 DeepWalk：同構圖遊走演算法開山之作 6 3 2 LINE：一階相似度和二階相似度探索 6 3 3 Node2vec：同質性和結構等價性探索 6 3 4 同構圖遊走的優缺點 6 4 基於異構圖遊走的Graph Embedding 6 4 1 Metapath2vec 6 4 2 EGES 6 4 3 異構圖遊走的優缺點 6 5 圖神經網路 6 5 1 GCN：圖神經網路開山之作 6 5 2 GraphSAGE：圖神經網路工業應用的高潮 6 5 3 圖神經網路總結 6 6 向量檢索技術 6 6 1 向量距離計算方法 6 6 2 向量檢索演算法 6 6 3 向量檢索常用工具：Faiss 6 7 本章小結 第7章 多任務學習 7 1 多任務學習發展歷程 7 1 1 為什麼需要多任務學習 7 1 2 多任務學習的基本框架 7 1 3 多任務學習的難點和挑戰 7 2 ESMM模型：解決SSB和DS問題的利器 7 2 1 樣本選擇偏差和數據稀疏問題 7 2 2 ESMM模型結構 7 2 3 ESMM核心代碼 7 3 MMOE模型：多專家多門控網路 7 3 1 MMOE模型結構 7 3 2 MMOE核心代碼 7 4 PLE模型：解決負遷移和蹺蹺板現象的利器 7 4 1 負遷移和蹺蹺板現象 7 4 2 單層CG 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
