- 推荐系统技术原理与实践
- - 作者：文亮|责编:刘雅思
  - 出版社：人民邮电
  - ISBN：9787115609809
  - 出版日期：2023/06/01
  - 页数：222
- 售价：31.92

内容大纲
本书系统介绍推荐系统的技术理论和实践。首先介绍推荐系统的基础知识；然后介绍推荐系统常用的机器学习和深度学习模型；接着重点介绍推荐系统的4层级联架构，包括召回、粗排、精排和重排，以及谷歌、阿里巴巴等大型互联网公司在4层级联架构中的模型设计和实现原理；紧接其后介绍多目标排序在推荐系统中的应用，具体介绍阿里巴巴、谷歌等大型互联网公司的实践；最后从不同角度审视推荐系统，介绍公平性问题、知识蒸馏、冷启动等各种前沿实践。本书基于一线研发人员的视角向读者分享推荐系统的实践经验，所有模型结构和前沿实践都在业务场景中落地。
本书适合推荐系统领域的从业者、高校科研人员、高校计算机专业学生，以及对推荐系统感兴趣的产品研发人员和运营人员阅读。
作者介绍
文亮，奇虎360公司资深算法专家，硕士毕业于电子科技大学信息与软件工程学。院。主要研究方向有推荐系统、深度学习和信息安全，曾发表5篇相关领域的学术论文，其中3篇被EI收录。他拥有超过5年的机器学习与推荐系统实践经验，作为奇虎360推荐场景的核心研发人员，主导深度学习在奇虎360信息流推荐场景的落地工作。
目录
第1章  推荐系统简介
  1.1  什么是推荐系统
  1.2  推荐系统的作用和意义
  1.3  推荐系统的技术架构
  1.4  推荐系统的召回阶段
  1.5  推荐系统的粗排阶段
  1.6  推荐系统的精排阶段
  1.7  推荐系统的重排阶段
  1.8  小结
第2章  推荐系统算法基础
  2.1  LR——应用极广的机器学习模型
    2.1.1  LR的数学原理
    2.1.2  LR的训练方法
    2.1.3  LR的训练优化
    2.1.4  LR的优势和局限性
  2.2  MLP——极简单的深度学习模型
    2.2.1  MLP的模型结构
    2.2.2  MLP的训练方法
    2.2.3  MLP的优势和局限性
  2.3  机器学习常用的优化算法
    2.3.1  随机梯度下降法
    2.3.2  小批量随机梯度下降法
    2.3.3  FTRL在线学习算法
  2.4  深度学习常用的优化算法
    2.4.1  深度学习的优化挑战
    2.4.2  AdaGrad算法
    2.4.3  RMSProp算法
    2.4.4  AdaDelta算法
    2.4.5  Adam算法
  2.5  深度学习常用的激活函数
    2.5.1  引入激活函数的目的
    2.5.2  sigmoid激活函数
    2.5.3  ReLU激活函数
    2.5.4  Leaky ReLU激活函数
    2.5.5  PReLU激活函数
    2.5.6  阿里巴巴的Dice激活函数
    2.5.7  RReLU激活函数
  ……
第3章  召回技术演进
第4章  粗排技术演进
第5章  精排技术演进
第6章  重排技术演进
第7章  多目标排序在推荐系统中的应用
第8章  推荐系统的前沿实践

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目