信息流推薦演算法 趙爭超 黃帆 9787111754428 【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：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$693
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：202406*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：信息流推薦演算法 ISBN：9787111754428 出版社：機械工業 著編譯者：趙爭超 黃帆 頁數：317 所在地：中國大陸 *此為代購商品 書號：1658863 可大量預訂，請先連絡。 內容簡介 本書從信息流個性化推薦演算法從業者的角度，闡述在資訊內容類App中，如何搭建健壯、完善的個性化推薦演算法體系，如何融合產品運營的專家模型和端到端的深度學習，如何平衡短期的商業化目標和長期的用戶體驗，以及我們在多個行業頭部平台實踐的過程中遇到的典型業務問題和解決方案，對比理論推導為主的機器學習書籍，本身更偏向基於行業問題的深度思考及落地實踐。作者簡介 黃帆，博士，畢業於北京郵電大學，現為騰訊公司專家研究員，曾就職于華為和阿里巴巴，長期從事推薦演算法研究與應用工作，熟悉推薦演算法與系統。負責過多個大型互聯網產品大規模工業級推薦系統的核心研發工作，在演算法領域積累了豐富的經驗。先後于SIGKDD、SIGIR等知名會議和IET Communications等知名期刊發表學術論文20餘篇，申請發明專利40餘項（其中20餘項已授權）。目錄 推薦序前言 第1章 信息流產品與推薦演算法 1 1 什麼是信息流產品 1 2 信息流產品對用戶體驗和商業價值的重塑 1 2 1 信息流產品下的用戶體驗 1 2 2 商業價值的重塑 1 2 3 用戶體驗及商業價值總結 1 3 信息流產品推薦系統的構成 1 3 1 推薦演算法基線 1 3 2 推薦演算法的生態建設 1 4 本章小結 參考文獻 第2章 業務數據探索：推薦演算法閉環的起點與終點 2 1 產品運營分析 2 1 1 系統性分析 2 1 2 周期性分析 2 2 用戶畫像分析 2 2 1 用戶畫像構建的基本方法 2 2 2 用戶畫像之價值分層與生命周期管理 2 2 3 用戶畫像的質量保障 2 3 用戶行為路徑分析 2 4 本章小結 參考文獻 第3章 可插拔式的召回演算法 3 1 召回側的業務目標和技術方向 3 2 協同過濾召回 3 2 1 User-based CF 3 2 2 Item-based CF 3 2 3 Item-based CF與User-based CF的對比與改進 3 2 4 Model-based CF 3 3 用戶和物品的向量化表示學習 3 3 1 從Word2vec到Item2vec 3 3 2 YouTube DNN 3 3 3 DSSM 3 4 基於圖模型的召回建模 3 4 1 SimRank 3 4 2 DeepWalk 3 4 3 LINE 3 4 4 Node2vec 3 4 5 EGES 3 5 用戶行為序列召回建模 3 5 1 序列建模的通用演算法模塊 3 5 2 用戶多興趣建模 3 5 3 序列建模總結 3 6 本章小結 參考文獻 第4章 粗排演算法 4 1 粗排的定位和重要性思考 4 2 前深度學習時代的粗排 4 2 1 非個性化離線評估模型 4 2 2 淺層個性化模型 4 3 深度粗排模型的重要方法 4 3 1 基於向量內積的雙塔模型 4 3 2 基於精排模型的知識蒸餾 4 3 3 COLD粗排架構 4 4 粗排建模的重要問題 4 4 1 樣本選擇策略 4 4 2 粗精排一致性校驗 4 5 本章小結 參考文獻 第5章 精排演算法 5 1 精排演算法的核心目標和概要 5 2 前深度學習時代的精排演算法 5 2 1 LR 5 2 2 FM 5 2 3 GBDT 5 3 深度精排演算法 5 3 1 Wide & Deep 5 3 2 DeepFM 5 3 3 DIN 5 3 4 DIEN 5 3 5 DSIN 5 3 6 SIM 5 4 在線學習 5 4 1 在線學習的基本概念 5 4 2 在線學習演算法框架：FTRL 5 5 多任務學習 5 5 1 MMoE 5 5 2 ESMM 5 5 3 PLE 5 5 4 MFH 5 5 5 MVKE 5 6 本章小結 參考文獻 第6章 多目標融合演算法 6 1 多目標融合的意義 6 2 啟髮式多目標融合 6 2 1 Grid Search 6 2 2 Random Search 6 2 3 搜參實踐 6 3 貝葉斯優化 6 3 1 概率代理模型 6 3 2 採集函數 6 3 3 貝葉斯搜參實踐 6 4 進化策略 6 4 1 進化演算法的相關概念 6 4 2 基於OpenAI ES的進化策略實踐 6 5 強化學習 6 5 1 強化學習的核心概念 6 5 2 強化學習的多目標融合實踐 6 6 本章小結 參考文獻 第7章 重排演算法 7 1 重排演算法概要及核心目標 7 2 多樣性演算法之啟髮式方法 7 2 1 MMR 7 2 2 MLR 7 2 3 DPP 7 3 多樣性演算法之list-wise建模 7 3 1 DLCM 7 3 2 PRM 7 3 3 Seq2Slate 7 3 4 GRN 7 3 5 PRS 7 4 端雲一體協同推薦 7 4 1 EdgeRec 7 4 2 DCCL 7 5 本章小結 參考文獻 第8章 推薦建模中的數據預處理和模型后處理 8 1 評分矩陣構建 8 2 特徵工程 8 2 1 特徵的提取與加工 8 2 2 特徵重要性分析 8 3 模型校準 8 4 本章小結 參考文獻 第9章 信息流推薦中的經典業務問題應對 9 1 關於信息繭房 9 2 關於保量策略 9 3 內容與用戶冷啟動 9 3 1 DropoutNet 9 3 2 MWUF 9 3 3 LinUCB 9 3 4 Cold & Warm Net 9 4 偏置與消偏 9 4 1 偏置分析 9 4 2 消偏：用戶選擇偏置 9 4 3 消偏：曝光偏置 9 4 4 消偏：群體一致性偏置 9 4 5 消偏：位置偏置 9 4 6 消偏：流行度偏置 9 5 正向行為定義 9 6 本章小結 參考文獻 第10章 信息流推薦演算法的評估與改進 10 1 宏觀視角下的推薦效果評估 10 2 微觀視角下的推薦效果評估 10 2 1 推薦效果評估流程 10 2 2 離線評估指標體系 10 3 A/B測試的實驗機制設計 10 3 1 A/B測試的基本概念及必要性 10 3 2 A/B測試的實驗設計和效果分析 10 3 3 A/B測試與Interleaving 10 4 本章小結 參考文獻 第11章 總結與展望 11 1 推薦演算法的重要挑戰 11 2 論推薦演算法工程師的自我修養 11 3 本章小結 參考文獻 後記 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。 |
