| *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:202405*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:推薦系統全鏈路設計-原理解讀與業務實踐 ISBN:9787111750963 出版社:機械工業 著編譯者:唐楠烊 叢書名:智能系統與技術叢書 頁數:237 所在地:中國大陸 *此為代購商品 書號:1639270 可大量預訂,請先連絡。 內容簡介 這是一本指導中高級從業者高質量落地現代推薦系統,圍繞現代推薦系統核心技術展開深度解讀的專業工具書,又是一套完整的推薦系統高質量落地解決方案。本書基於推薦演算法工程師實際工作場景規劃內容,融合了作者在阿里巴巴、58同城等多家大廠做推薦系統設計和優化的經驗,是一本方法和實踐兼具的好書。 本書不針對零基礎從業者,而是以幫助初級演算法工程師向中高級進階為目標。書中從底層剖析推薦系統在實際業務場景中可能出現的各種問題,直指問題的本質,並按照推薦系統工作流程逐一破解。 本書共包括11章: 第1章主要介紹推薦系統在各個互聯網業務場景中的落地情況,包括構建推薦系統可能面臨的問題,以及電商、視頻、電子書、廣告系統、信息流、拉活促銷等相關推薦系統落地指導。 第2章介紹現代推薦系統的整體架構,以幫助讀者從宏觀層面整體了解推薦系統。 第3章對推薦系統所需要的數據和特徵處理進行深度剖析,包括數據的收集、非結構化數據的結構化清洗、連續特徵處理和離散特徵處理等重點內容。 第4章對推薦系統的在線指標和離線指標,以及AB實驗的設計進行深度講解。 第5章和第6章,主要對機器學習和神經網路的設計和調參進行詳細解讀。這是本書的重點,也是很多推薦演算法工程師的痛點。這部分包括XGBoost的重要參數調優、集成學習最DA化推薦效果利用、DNN網路深度和寬度的影響、激活函數的選擇、優化器選擇、損失函數、過/欠擬合等內容。 第7∼9章分別對召回層、精排層、粗排層進行詳細解讀,包括5種召回方案、4種精排建模方式、2種粗排設計方案,以及模型可解釋性、近離線計算等重點內容。 第10章主要介紹精排模型的分析方法,重排模型(PRM、生成式重排模型)和混排(混排的原理和強化學習在混排的應用)的原理。 第11章主要介紹冷啟動鏈路的設計,主要包括新用戶如何冷啟動、新物料如何冷啟動和冷啟動涉及的流量分配演算法。這是本書的特色內容。作者簡介 唐楠烊,資深演算法工程師,精通推薦演算法和NLP演算法。曾就職于阿里巴巴、58同城等多家知名互聯網公司,專門從事推薦系統和NLP演算法相關工作。具有多年的演算法經驗,在推薦系統的全鏈路優化和NLP對話業務方面經驗尤其豐富。 知乎作者、Github資深玩家,專註于推薦演算法和NLP相關內容分享。在Github上有多個項目,最高獲得100多顆星;在知乎上發表數十篇技術文章,總閱讀量近百萬。目錄 前言第1章 什麼是推薦系統 1 1 深度理解推薦系統 1 2 企業在構建推薦系統時會面臨哪些問題 1 34 類主流推薦系統構建點撥 1 3 1 電商是怎麼做推薦系統的 1 3 2 視頻網站是怎麼做推薦系統的 1 3 3 推薦系統是怎麼應用於廣告業務的 1 3 4 推薦系統是怎麼應用於信息流的 1 4 推薦系統怎麼拉活促銷 1 5 架構和模型在推薦系統落地中的作用 第2章 推薦系統架構 2 1 推薦系統架構概述 2 2 召回層概述 2 2 1 非個性化召回 2 2 2 個性化召回 2 3 粗排層概述 2 3 1 雙塔粗排 2 3 2 交叉粗排 2 4 精排層概述 2 5 重排層概述 2 6 冷啟動環節 2 6 1 用戶冷啟動 2 6 2 物料冷啟動 第3章 構建推薦系統的特徵 3 1 怎麼收集數據 3 2 怎麼清洗數據 3 2 1 物料側數據 3 2 2 用戶側數據 3 2 3 內容側數據 3 2 4 交叉數據 3 3 怎麼處理連續特徵 3 3 1 標準化 3 3 2 無監督分箱 3 3 3 有監督分箱 3 4 怎麼處理離散特徵 第4章 為推薦系統選擇評價指標 第5章 機器學習模型調參 第6章 神經網路模型調參 第7章 個性化召回層樣本選擇和模型選擇 第8章 精排層的樣本選擇和模型選擇 第9章 粗排層的樣本選擇和模型選擇 第10章 重排層的設計與實現 第11章 冷啟動環節的設計與實現 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。 |