大模型推薦系統-演算法原理.代碼實戰與案例分析 劉強 9787121488474 【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：202410*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：大模型推薦系統-演算法原理.代碼實戰與案例分析 ISBN：9787121488474 出版社：電子工業 著編譯者：劉強 頁數：280 所在地：中國大陸 *此為代購商品 書號：1686400 可大量預訂，請先連絡。 內容簡介 本書主要分為3部分。第1部分簡單介紹大模型相關技術，包括大模型的預訓練、微調、在線學習、推理、部署等。第2部分將大模型在傳統推薦系統中的應用抽象為4種範式——生成範式、預訓練範式、微調範式、直接推薦範式，並對每種範式給出演算法原理說明、案例講解和代碼實現。第3部分以電商場景為例，講解大模型在電商中的7種應用，包括生成用戶興趣畫像、生成個性化商品描述信息、猜你喜歡推薦、關聯推薦、解決冷啟動問題、推薦解釋和對話式推薦，每種應用場景都包含完整的步驟說明和詳細的代碼實現，手把手教你構建大模型推薦系統。 本書適合有一定推薦系統基礎，期望深入了解和學習大模型技術在推薦系統中的應用思路和方法的大學生、科研工作者、演算法從業者、演算法產品及技術管理者閱讀。作者簡介 劉強，2009年畢業於中國科學技術大學有15年大數據與AI相關實踐經驗。出版過暢銷書《構建企業級推薦系統》，翻譯過《AI革命》《認識AI》《MongoDB性能調優實戰》等優秀作品。目前是杭州數卓信息技術有限公司CEO，公司業務方向為構建大模型推薦系統、大模型知識庫等，幫助企業利用大模型技術進行降本提效與精細化運營。同時，擔任達觀數據高級技術顧問，與達觀數據一同推動推薦系統及大模型技術在行業的落地。目錄 01 基礎知識1 1 大模型相關資源 1 1 1 可用的模型及API 1 1 2 數據資源 1 1 3 軟體資源 1 1 4 硬體資源 1 2 大模型預訓練 1 2 1 數據收集與預處理 1 2 2 確定模型架構 1 2 3 確定目標函數及預訓練 1 2 4 解碼策略 1 3 大模型微調 1 3 1 微調原理 1 3 2 指令微調 1 3 3 對齊微調 1 4 大模型在線學習 1 4 1 提示詞 1 4 2 上下文學習 1 4 3 思維鏈提示詞 1 4 4 規劃 1 5 大模型推理 1 5 1 高效推理技術 1 5 2 高效推理軟體工具 1 6 總結 02 數據準備與開發環境準備 2 1 MIND數據集介紹 2 2 Amazon電商數據集介紹 2 3 開發環境準備 2 3 1 搭建CUDA開發環境 2 3 2 搭建MacBook開發環境 2 4 總結 03 大模型推薦系統的數據來源、一般思路和4種範式 3 1 大模型推薦系統的數據來源 3 1 1 大模型相關的數據 3 1 2 新聞推薦系統相關的數據 3 1 3 將推薦數據編碼為大模型可用數據 3 2 將大模型用於推薦的一般思路 3 3 將大模型應用於推薦的4種範式 3 3 1 基於大模型的生成範式 3 3 2 基於PLM的預訓練範式 3 3 3 基於大模型的微調範式 3 3 4 基於大模型的直接推薦範式 3 4 總結 04 生成範式：大模型生成特徵、訓練數據與物品 4 1 大模型生成嵌入特徵 4 1 1 嵌入的價值 4 1 2 嵌入方法介紹 4 2 大模型生成文本特徵 4 2 1 生成文本特徵 4 2 2 生成文本特徵的其他方法 4 3 大模型生成訓練數據 4 3 1 大模型直接生成表格類數據 4 3 2 大模型生成監督樣本數據 4 4 大模型生成待推薦物品 4 4 1 為用戶生成個性化新聞 4 4 2 生成個性化的視頻 4 5 總結 05 預訓練範式：通過大模型預訓練進行推薦 5 1 預訓練的一般思路和方法 5 1 1 預訓練數據準備 5 1 2 大模型架構選擇 5 1 3 大模型預訓練 5 1 4 大模型推理（用於推薦） 5 2 案例講解 5 2 1 基於PTUM架構的預訓練推薦系統 5 2 2 基於P5的預訓練推薦系統 5 3 基於MIND數據集的代碼實戰 5 3 1 預訓練數據集準備 5 3 2 模型預訓練 5 3 3 模型推理與驗證 5 4 總結 06 微調範式：微調大模型進行個性化推薦 6 1 微調的方法 6 1 1 微調的價值 6 1 2 微調的步驟 6 1 3 微調的方法 6 1 4 微調的困難與挑戰 6 2 案例講解 6 2 1 TALLRec微調框架 6 2 2 GIRL：基於人類反饋的微調框架 6 3 基於MIND數據集實現微調 6 3 1 微調數據準備 6 3 2 模型微調 6 3 3 模型推斷 6 4 總結 07 直接推薦範式：利用大模型的上下文學習進行推薦 7 1 上下文學習推薦基本原理 7 2 案例講解 7 2 1 LLMRank實現案例 7 2 2 多任務實現案例 7 2 3 NIR實現案例 7 3 上下文學習推薦代碼實現 7 3 1 數據準備 7 3 2 代碼實現 7 4 總結 08 實戰案例：大模型在電商推薦中的應用 8 1 大模型賦能電商推薦系統 8 2 新的互動式推薦範式 8 2 1 互動式智能體的架構 8 2 2 淘寶問問簡介 8 3 大模型生成用戶興趣畫像 8 3 1 基礎原理與步驟介紹 8 3 2 數據預處理 8 3 3 代碼實現 8 4 大模型生成個性化商品描述信息 8 4 1 基礎原理與步驟介紹 8 4 2 數據預處理 8 4 3 代碼實現 8 5 大模型應用於電商猜你喜歡推薦 8 5 1 數據預處理 8 5 2 模型微調 8 5 3 模型效果評估 8 6 大模型應用於電商關聯推薦 8 6 1 數據預處理 8 6 2 多路召回實現 8 6 3 相似度排序實現 8 6 4 排序模型效果評估 8 7 大模型如何解決電商冷啟動問題 8 7 1 數據準備 8 7 2 利用大模型生成冷啟動商品的行為樣本 8 7 3 利用大模型上下文學習能力推薦冷啟動商品 8 7 4 模型微調 8 7 5 模型效果評估 8 8 利用大模型進行推薦解釋，提升推薦說服力 8 8 1 數據準備 8 8 2 利用大模型上下文學習能力進行推薦解釋 8 8 3 模型微調 8 8 4 模型效果評估 8 9 利用大模型進行對話式推薦 8 9 1 對話式大模型推薦系統的架構 8 9 2 數據準備 8 9 3 代碼實現 8 9 4 對話式推薦案例 8 10 總結 09 工程實踐：大模型落地真實業務場景 9 1 大模型推薦系統如何進行高效預訓練和推理 9 1 1 模型高效訓練 9 1 2 模型高效推理 9 1 3 模型服務部署 9 1 4 硬體選擇建議 9 2 大模型落地企業級推薦系統的思考 9 2 1 如何將推薦演算法嵌入大模型框架 9 2 2 大模型特性給落地推薦系統帶來的挑戰 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。 |
