- 深度学习推荐系统
- - 作者：编者:王喆|责编:郑柳洁
  - 出版社：电子工业
  - ISBN：9787121384646
  - 出版日期：2020/03/01
  - 页数：285
- 售价：43.2

内容大纲
深度学习在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。
本书既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本科生、研究生、博士生阅读，帮助他们建立深度学习推荐系统的技术框架，通过学习前沿案例加强深度学习理论与推荐系统工程实践的融合能力。
作者介绍
王喆，毕业于清华大学计算机科学与技术系，美国流媒体公司Roku资深机器学习工程师，推荐系统架构负责人。曾任Hulu高级研究工程师，品友互动广告效果算法组负责人。清华大学KEG实验室学术搜索引擎AMiner早期发起人之一。主要研究方向为推荐系统、计算广告、个性化搜索，发表相关领域学术论文7篇，拥有专利3项，是《百面机器学习：算法工程师带你去面试》等技术书的联合作者。曾担任KDD、CIKM等国际会议审稿人。
目录
第1章  互联网的增长引擎——推荐系统
  1.1  为什么推荐系统是互联网的增长引擎
    1.1.1  推荐系统的作用和意义
    1.1.2  推荐系统与YouTube的观看时长增长
    1.1.3  推荐系统与电商网站的收入增长
  1.2  推荐系统的架构
    1.2.1  推荐系统的逻辑框架
    1.2.2  推荐系统的技术架构
    1.2.3  推荐系统的数据部分
    1.2.4  推荐系统的模型部分
    1.2.5  深度学习对推荐系统的革命性贡献
    1.2.6  把握整体，补充细节
  1.3  本书的整体结构
第2章  前深度学习时代——推荐系统的进化之路
  2.1  传统推荐模型的演化关系图
  2.2  协同过滤——经典的推荐算法
    2.2.1  什么是协同过滤
    2.2.2  用户相似度计算
    2.2.3  终结果的排序
    2.2.4  ItemCF
    2.2.5  UserCF与ItemCF的应用场景
    2.2.6  协同过滤的下一步发展
  2.3  矩阵分解算法——协同过滤的进化
    2.3.1  矩阵分解算法的原理
    2.3.2  矩阵分解的求解过程
    2.3.3  消除用户和物品打分的偏差
    2.3.4  矩阵分解的优点和局限性
  2.4  逻辑回归——融合多种特征的推荐模型
    2.4.1  基于逻辑回归模型的推荐流程
    2.4.2  逻辑回归模型的数学形式
    2.4.3  逻辑回归模型的训练方法
    2.4.4  逻辑回归模型的优势
    2.4.5  逻辑回归模型的局限性
  2.5  从FM到FFM——自动特征交叉的解决方案
    2.5.1  POLY2模型——特征交叉的开始
    2.5.2  FM模型——隐向量特征交叉
    2.5.3  FFM模型——引入特征域的概念
    2.5.4  从POLY2到FFM的模型演化过程
  2.6  GBDT+LR——特征工程模型化的开端
    2.6.1  GBDT+LR组合模型的结构
    2.6.2  GBDT进行特征转换的过程
    2.6.3  GBDT+LR组合模型开启的特征工程新趋势
  2.7  LS-PLM——阿里巴巴曾经的主流推荐模型
    2.7.1  LS-PLM模型的主要结构
    2.7.2  LS-PLM模型的优点
    2.7.3  从深度学习的角度重新审视LS-PLM模型
  2.8  总结——深度学习推荐系统的前夜
第3章  浪潮之巅——深度学习在推荐系统中的应用
第4章  Embedding技术在推荐系统中的应用
第5章  多角度审视推荐系统

第6章  深度学习推荐系统的工程实现
第7章  推荐系统的评估
第8章  深度学习推荐系统的前沿实践
第9章  构建属于你的推荐系统知识框架
后记

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目