婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柛娑橈攻閸欏繘鏌i幋锝嗩棄闁哄绶氶弻娑樷槈濮楀牊鏁鹃梺鍛婄懃缁绘﹢寮婚敐澶婄闁挎繂妫Λ鍕⒑閸濆嫷鍎庣紒鑸靛哺瀵鎮㈤崗灏栨嫽闁诲酣娼ф竟濠偽i鍓х<闁诡垎鍐f寖缂備緡鍣崹鎶藉箲閵忕姭妲堥柕蹇曞Х椤撴椽姊虹紒妯虹仴婵☆偅鐩畷婵嬵敍濮橈絾鏂€闂佺粯鍔栧ḿ娆撴倶閿曞倹鐓熼柣鏇炲€婚悾鐢碘偓瑙勬礃濞茬喖骞冮姀銈呯闁兼祴鏅涚敮鎯р攽閻樺灚鏆╅柛瀣洴閹ê鈹戠€n亞顦┑顔角归崺鏍偂閻旂厧绠归柟纰卞幖閺嬫稓鈧鍣崰妤呭箞閵婏妇绡€闁告劏鏂傛禒銏ゆ倵鐟欏嫭绀冩い銊ワ躬楠炲﹪寮介鐐靛幋闂佸壊鐓堥崰鏇炩柦椤忓牊鈷掗柛灞剧懅椤︼箓鏌熺喊鍗炰喊妤犵偛锕ㄧ粻娑㈠即閻愯尙浜伴柣搴″帨閸嬫捇鏌涢弴銊ュ濞寸姴銈稿铏圭磼濡櫣浼囧┑鈽嗗亜鐎氫即骞忛幋锔藉亜闁稿繗鍋愰崢顏呯節閵忥絽鐓愮紒瀣崌閹箖鏌嗗鍡欏帗閻熸粍绮撳畷婊冣槈閵忕姵鐎繝鐢靛У閼归箖鎷戦悢鍏肩厪濠电偛鐏濋崝妤呮煛閳ь剚绂掔€n偆鍘遍梺鏂ユ櫅閸熲晝娆㈤柆宥嗙厓鐟滄粓宕滃韬测偓鍐╃節閸パ嗘憰闂佹寧绋戠€氀囧磻閹剧粯鏅查幖绮光偓鑼晼闂備線娼уΛ娆戞暜閻愬灚顫曢柟鐑樻尰缂嶅洭鏌曟繛鍨姕閻犲洨鍋ゅ铏瑰寲閺囩喐婢掗梺绋款儐閹告悂鈥旈崘顔嘉ч柛鈩冾殘閻熴劑鏌f惔銏犲毈闁告挻绋掔粩鐔煎即閵忕姷顦ч梺绋跨箳閸樠冾嚕閸喒鏀介柍钘夋閻忕娀鏌h箛鏃傜畺缂佸倸绉烽妵鎰板箳閹捐泛骞堥梻浣虹帛閸旀洟鎮樺璺烘辈妞ゆ帒瀚悡娑氣偓鍏夊亾閻庯綆鍓涜ⅵ闂備浇顕栭崰鎺楀疾閻樿绠栨繝濠傚悩閻斿搫瀵查柡鍥╁仒婢规洟姊洪崨濠傚Е闁哥姵顨婂畷鎴︽晲婢跺鍘撻悷婊勭矒瀹曟粓鎮㈤悡搴㈢€梺鍛婂姦閸犳牠鎮為崹顐犱簻闁瑰搫妫楁禍楣冩倵鐟欏嫭灏悗姘緲椤繐煤椤忓嫬绐涙繝鐢靛Т鐎氀兾i崼銉︾厸閻庯絽鍚€缁ㄥ妫佹径瀣瘈濠电姴鍊搁顐︽煟椤撶喎娴柡宀嬬磿娴狅妇鎷犻幓鎺濇綆闁诲孩顔栭崰妤€岣垮▎鎺斾簷闂備線鈧偛鑻晶顖滅磼閸屾氨校闁靛牞缍佸畷姗€鍩℃担鎻掍壕闁割煈鍋嗙粻楣冩煕椤愶絿绠樺ù鐘灲閺岋紕鈧綆鍋嗛埥澶嬨亜椤撯€冲姷妞わ附鐓″铏规暜椤斿墽袦闂佺粯渚楅崳锝夌嵁鐎n喗鏅濋柍褜鍓熼敐鐐哄川鐎涙ḿ鍘藉┑顔筋殔濡绂嶅┑瀣厸闁稿本顨呮禍楣冩⒒閸屾瑦绁版い鏇嗗洤绀勯柣锝呯灱缁€濠囨煕閳╁啞缂氭い鈺傜叀閹綊鎮滃Ο蹇e幘缁辨挸顫濋鑺ユ杸闂佺粯锚瀵埖寰勯崟顖涚厓闂佸灝顑呴悘鈺冪磼鏉堛劍灏伴柟宄版嚇瀹曟寰勭€e墎绀勫┑锛勫亼閸婃洜鎹㈤幇顔瑰亾濮樺崬鍘寸€规洜鏁诲鎾閳ュ厖鍖栭梻浣瑰劤缁绘锝炴径灞筋棜妞ゅ繐鐗婇悡娆撴煟閹寸儑渚涙繛鍫熸⒒缁辨帡鎮╁畷鍥ㄥ垱闂佸搫鐭夌徊鍊熺亙闂侀€炲苯澧撮柟顔ㄥ洤绀冩い鏃囧亹椤斿棗鈹戦悙鍙夆枙濞存粍绻堥崺娑㈠箳濡や胶鍘遍柣蹇曞仧閸嬫捇鎯冮幋婵愮唵鐟滃海绮欓幘鑸殿潟闁圭儤鏌¢崑鎾绘晲鎼粹€茬盎濠电偞鎯岄崰妤呫€冮妷鈺傚€烽悗鐢登归埛灞轿旈悩闈涗粶婵炲樊鍙冮妴浣割潨閳ь剟骞冮埡浣叉灁闁割煈鍠楀▍妤呮⒒娴g瓔鍤欐繛瀵稿厴楠炲﹪骞樼€靛摜褰炬繝鐢靛Т濞层倗绮eΔ鍛厸鐎广儱楠搁獮妯尖偓瑙勬尫缁舵岸寮婚垾鎰佸悑閹肩补鈧磭顔戦梻浣虹帛閹搁箖宕伴弽顓炶摕闁靛ǹ鍎弨浠嬫煕閳╁厾顏勨枍閿濆應鏀介梽鍥╀焊濞嗘垵鍨濇い鏍仜妗呴梺鍛婃处閸ㄥジ寮崘顔界叆婵犻潧妫欏婵嬫煟閿濆懌鍋㈡慨濠冩そ瀹曠兘顢橀悢閿嬬暚闂佽瀛╅惌顕€宕¢幎鐣屽祦闁哄稁鍏欐禍褰掓煙閻戞ɑ灏ù鐙€鍙冨娲传閸曞灚歇濠电偛顦板ú鐔笺€佸▎鎾崇倞妞ゆ帊璁查幏濠氭⒑缁嬫寧婀伴柤褰掔畺閸┾偓妞ゆ帒瀚峰Λ鎴炵箾閸℃劕鐏╂い顐g箘閹瑰嫰鎼归悷鏉啃曞┑锛勫亼閸婃牜鏁幒妤€纾归柛娑橈功椤╅攱绻濇繝鍌滃闁绘挾濮电换娑㈡嚑妫版繂娈梺璇查獜缁绘繈寮婚敓鐘插窛闁哄娉曢崢顐︽煟鎼存繄绁烽柛瀣姍閸┾偓妞ゆ帊鑳堕埊鏇炵暆閿濆懏鍋ョ€规洏鍨介幃娆擃敄鐠恒劎鐣鹃梻渚€娼ч悧鍡欐崲閹烘鍋╅柧蹇e亞缁犳儳顭跨捄渚剱缂佲偓閸儲鐓犳繛宸簷閹插墽鈧娲滄灙閾绘牕霉閿濆懏鎯堥悽顖炵畺濮婄粯鎷呯憴鍕哗闂佺ǹ瀵掗崹璺虹暦濠靛牅娌柣鎰靛墮瀵潡鎮楅獮鍨姎婵☆偒鍘奸埢鎾寸鐎n偆鍘介梺褰掑亰閸樼晫绱為幋鐐电闁圭⒈鍘奸弸鐔搞亜閵婏絽鍔﹂柟顔界懃椤斿繘顢欓悡搴☆棑闂傚倷娴囬鏍窗濡ゅ啫鍨濋柟鎯х-閺嗭箓鏌涘Δ鍐ㄥ壉婵炵鍔戦弻娑㈠焺閸愬灝鍙曠紓浣介哺閻熲晛顫忔繝姘<婵﹩鍏橀崑鎾诲箹娴e摜锛欓梺褰掓?缁€浣哄閻熼偊娓婚悗锝庝簼閹癸綁鏌i鐐搭棞闁靛棙甯掗~婵嬫晲閸涱剙顥氬┑掳鍊楁慨鐑藉磻閻愮儤鍋嬮柣妯荤湽閳ь兛绶氬鏉戭潩鏉堚敩銏ゆ⒒娴h鍋犻柛搴㈡そ瀹曟粓鏁冮崒姘€悗骞垮劚椤︿即鎮¢悢鍏肩厵闂侇叏绠戦獮妤冪磽瀹ュ棗鐏撮柡灞界Х椤т線鏌涢幘瀵哥疄鐎规洘妞藉浠嬵敃閿濆懎绨ユ繝鐢靛█濞佳囶敄閸℃蛋澶愬醇閻旇櫣顔曢梺鐟邦嚟閸嬬姵绔熷Ο姹囦簻闁挎繂鎳忛幆鍫熴亜椤忓嫬鏆e┑鈥崇埣瀹曟﹢濡搁妷銉渐闂佽楠搁崢婊堝磻閹剧粯鐓欓梻鍌氼嚟椤︼箓鏌﹂崘顏勬瀾缂佺粯鐩獮瀣籍閳ь剟宕虫导瀛樼厓鐟滄粓宕滈妸褏涓嶉柟鎹愬吹瀹撲線鎮楅敐搴濈按闁衡偓娴犲鐓曢柕澶堝灪濞呭啰绱掗…鎴濇灈闁宠鍨块幃鈺佲枔閹稿孩鐦滈梻浣告啞閹歌崵鎹㈤崱娑樜﹂柟鐗堟緲缁€鍐┿亜閺冨洦顥夊ù婊堜憾濮婅櫣鎲撮崟顐ゎ槰濡炪倖娉﹂崶銊ョ彅闂佺粯鏌ㄩ崥瀣偂閵夆晜鐓熼柡鍌涘閹牏鈧稒绻勭槐鎾存媴閹绘帊澹曢梻浣告啞閸旓箓宕板Δ鍛亗闁告劦鍠楅悡鏇熺節闂堟稒顥滄い蹇婃櫊閺屽秷顧侀柛鎾村哺楠炲啴宕掑鐓庢闂佸憡鍔曞顒勫籍閸繂绐涘銈嗘椤鈧氨鍘ч埞鎴︽倷鐎涙ḿ绋囬梺鍛婅壘椤戝骞冮悿顖fЬ缂備緡鍠楀Λ鍐€佸Δ鍛劦妞ゆ帒瀚粻鎺撶節閻㈤潧孝闁挎洏鍊栭〃銉╁川婵犲啯鐝烽梺缁橆殔閻楀懐鎹㈤崱娑欑厱婵炲棗娴氬Σ绋库攽椤旇偐校妞ゃ劊鍎甸幃娆撳级閹寸姷鎳嗛梺鍓х帛閻楃娀寮诲鍫闂佸憡鎸诲畝绋跨暦閺囥埄鏁冮柨鏃傛櫕閸樹粙姊虹紒妯荤叆闁硅姤绮撻幆灞剧節閸ャ劉鎷洪柣銏╁灱閸犳岸宕氶悧鍫涗簻闁哄浂浜炵粔顔筋殽閻愭煡鍙勯柟绋匡攻瀵板嫮浠﹂挊澶岊唶闂傚倸鍊风粈渚€骞夐敓鐘茬闁挎梻鏅々鏌ユ煟閹邦喖鍔嬮柡鍜佸墯缁绘繃绻濋崒婊冾杸闂佺粯鎸荤粙鎴︹€︾捄銊﹀磯闁绘碍娼欐慨娑欑節閳封偓閸曨偆浼岄梺鍝勬湰閻╊垰顕i鍌涘磯闁靛﹥鍓崶銊ョ檮闂佺粯鏌ㄩ崥瀣偂閺囩喆浜滈柟閭﹀枛瀛濋梺鍛婃⒐缁捇寮婚敐澶婄閻庣數纭跺Σ鍫ユ⒒閸パ屾█闁哄被鍔岄埞鎴﹀幢濞嗗繆鎷℃繝鐢靛仜閸氬宕濆Δ鍛劦妞ゆ帒鍠氬ḿ鎰箾閸欏澧甸柟顖氱焸瀹曟帡鎮欓懠鑸垫啺闂備焦鏋奸弲娑㈠疮椤栨稑鍨旈柟缁㈠枟閸嬧剝绻涢崱妤冪妞ゅ繆鏅濋惀顏堟倷椤掆偓閳绘洘鎱ㄦ繝鍕妺婵炵⒈浜獮宥夘敊閻撳寒鐎撮梻鍌欑濠€閬嶅箠閹捐秮娲敇閻戝棗娈ㄥ銈嗗姧缁犳垹绮婚懡銈囩=濞达綀鍋傞幋婵冩瀺闁靛繈鍊栭埛鎴︽偣閹帒濡兼繛鍛姍閺岀喖宕欓妶鍡楊伓 [闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤濠€閬嶅焵椤掑倹鍤€閻庢凹鍙冨畷宕囧鐎c劋姹楅梺鍦劋閸ㄥ綊宕愰悙宸富闁靛牆妫楃粭鍌滅磼閳ь剚绗熼埀顒€鐣峰⿰鍫晣闁绘垵妫欑€靛矂姊洪棃娑氬婵☆偅顨嗛幈銊槾缂佽鲸甯¢幃鈺呭礃閼碱兛绱濋梻浣虹帛娓氭宕抽敐鍡樺弿闁逞屽墴閺屾洟宕煎┑鍥舵¥闂佸憡蓱閹瑰洭寮婚埄鍐ㄧ窞閻忕偞鍨濆▽顏呯節閵忋垺鍤€婵☆偅绻傞悾宄扳攽閸♀晛鎮戦梺绯曞墲閸旀帞鑺辨繝姘拺闁告繂瀚埀顒佹倐閹ê鈹戠€e灚鏅滃銈嗗姂閸婃澹曟總绋跨骇闁割偅绋戞俊鐣屸偓瑙勬礀閻ジ鍩€椤掑喚娼愭繛鍙夅缚閺侇噣骞掑Δ瀣◤濠电娀娼ч鎰板极閸曨垱鐓㈡俊顖欒濡插嘲顭跨憴鍕婵﹥妞藉畷銊︾節閸曨厾绐楅梻浣呵圭€涒晜绻涙繝鍥х畾閻忕偠袙閺嬪酣鏌熼幆褜鍤熼柛姗€浜跺娲传閸曨剙鍋嶉梺鍛婃煥閻倿骞冨鈧幃鈺呮偨閻㈢绱查梻浣虹帛閻熴垽宕戦幘缁樼厱闁靛ǹ鍎抽崺锝団偓娈垮枛椤攱淇婇幖浣哥厸闁稿本鐭花浠嬫⒒娴e懙褰掑嫉椤掑倻鐭欓柟杈惧瘜閺佸倿鏌ㄩ悤鍌涘 | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤缂嶅﹪寮婚敐澶婄闁挎繂鎲涢幘缁樼厱闁靛牆鎳庨顓㈡煛鐏炶鈧繂鐣烽锕€唯闁挎棁濮ら惁搴♀攽閻愬樊鍤熷┑顕€娼ч~婵嬪Ω瑜庨~鏇㈡煙閹规劦鍤欑痪鎯у悑缁绘盯宕卞Ο铏圭懆闂佸憡锕槐鏇犳閹惧鐟归柛銉戝嫮褰梻浣规偠閸斿繐鈻斿☉銏″仼鐎瑰嫭澹嬮弨浠嬫煕閻欌偓閸犳螞閸愩劎鏆︽慨妞诲亾濠碘剝鎮傛俊鐤槺闁哥姴锕濠氬磼濞嗘埈妲梺鍦拡閸嬪﹤鐣烽鐑嗘晝闁挎棁妫勬禍杈ㄧ節閻㈤潧孝婵炲眰鍊楁竟鏇㈡偡閹佃櫕鏂€闂佺粯锚绾绢參銆傞弻銉︾厽闁规儳宕悘顏勄庨崶褝韬い銏$☉閳诲酣骞掑┑鍡椢ゅ┑鐘殿暯閳ь剙鍟跨痪褔鏌熼鐓庘偓鍨嚕婵犳碍鏅查柛鈩兠崝鍛渻閵堝棙鈷掗柛妯犲懐灏电€广儱鎳夐弨鑺ャ亜閺冨倶鈧螞濮橆厾绠鹃柛婊冨暟閹ジ鏌涢幒鎾崇瑨闁宠閰i獮妯虹暦閸ヨ泛鏁归梻浣烘嚀閸氬鎮鹃鍫濆瀭闁惧繐鍘滈崑鎾愁潩椤撶偐鏋欏┑顔硷功缁垶骞忛崨瀛樻優妤犵偛绨遍崑鎾寸節閸ャ劎鍘搁梺鍛婁緱閸犳艾煤鐎电硶鍋撶憴鍕闁搞劏娉涢锝夊醇閺囩偟顓哄銈嗘尵閸嬬偤顢橀崸妤佲拻濞达絽鎽滅粔鐑樹繆椤愩儲纭剁紒顔肩墛缁楃喖鍩€椤掆偓閻e嘲顫滈埀顒勫春閳ь剚銇勯幒鍡椾壕濡炪値浜滈崯瀛樹繆閸洖骞㈡俊顖滃劋濞堫偊姊绘担鍛婃喐濠殿喚鏁婚獮鎴﹀炊瑜忛弳锕傛煏韫囧鈧倝寮崒鐐寸厱婵炴垵宕悘锝夋煟閿曗偓閻楁挸顫忛崫鍕懷囧炊瑜忔导鍫濃攽閻愭澘灏冮柛鏇ㄥ弾濞村嫬鈹戦悩璇у伐闁绘锕幃锟犳偄閼测晛褰勯梺鎼炲劘閸斿秹鍩涢幒鏃傜<闁绘﹢娼ф禒褔鏌嶈閸撴繈锝炴径濞掑搫螣閸忕厧搴婇梺绋跨灱閸庢垹绱為弽銊х瘈闂傚牊渚楅崕鎰版煕閵堝拋鍎旈柡宀嬬秮婵偓闁靛牆妫欓柨顓炍旈悩闈涗沪闁告梹鐟ラ~蹇曠磼濡顎撻梺鍛婄洴濞佳呯礊婵犲偆鍤曢柣銏犲閺佸棝鏌涢弴妤佹澒闁稿鎹囧畷姗€顢欓悡搴g崺婵$偑鍊栧濠氭惞鎼粹埗娲箹娴e厜鎷洪柣鐘充航閸斿苯鈻嶉幇鐗堢厵闁告垯鍊栫€氾拷]

    • 推荐系统(算法案例与大模型)/图灵原创
      • 作者:刘强|责编:王军花
      • 出版社:人民邮电
      • ISBN:9787115639073
      • 出版日期:2024/03/01
      • 页数:362
    • 售价:39.92
  • 内容大纲

        互联网上信息庞杂,信息生产者很难将合适的信息传送至合适的用户,同时用户也很难从海量信息中获取其感兴趣的内容。推荐系统能够将信息生产者和用户链接起来,帮助平台解决需求和资源匹配的难题。本书覆盖推荐系统在行业应用中涉及的召回算法、排序算法的原理和实现思路,以及特征工程、冷启动、效果评估、A/B测试、Web服务等核心工程知识,并包含金融、零售等行业的实施案例,另外也与时俱进地介绍了大模型及其在推荐系统中的应用。
        本书适合推荐系统从业者、数智化转型从业者及精细化运营从业者等阅读。
  • 作者介绍

        刘强,2009年毕业于中国科学技术大学有15年大数据与AI相关实践经验。出版过畅销书《构建企业级推荐系统》,翻译过《AI革命》《认识AI》《MongoDB性能调优实战》等优秀作品。目前是杭州数卓信息技术有限公司CEO,公司业务方向为构建大模型推荐系统、大模型知识库等,帮助企业利用大模型技术进行降本提效与精细化运营。同时,担任达观数据高级技术顾问,与达观数据一同推动推荐系统及大模型技术在行业的落地。
  • 目录

    推荐系统基础篇
      第1章  推荐系统基础
        1.1  推荐系统的定义
        1.2  推荐系统解决的问题
        1.3  推荐系统的应用领域
        1.4  常用的推荐算法
          1.4.1  基于内容的推荐算法
          1.4.2  协同过滤算法
        1.5  构建推荐系统的挑战
          1.5.1  数据维度
          1.5.2  模型维度
          1.5.3  服务维度
          1.5.4  场景维度
          1.5.5  价值维度
        1.6  推荐系统的价值
        1.7  小结
      第2章  推荐系统的产品与运营
        2.1  推荐系统产品
        2.2  推荐系统产品形态
          2.2.1  热门推荐榜单推荐
          2.2.2  个性化推荐
          2.2.3  信息流推荐
          2.2.4  物品关联推荐
        2.3  推荐系统运营
        2.4  小结
      第3章  推荐系统的业务流程与架构
        3.1  推荐算法的业务流程
          3.1.1  数据收集
          3.1.2  ETL与特征工程
          3.1.3  模型构建
          3.1.4  模型预测
          3.1.5  Web服务
          3.1.6  离线评估与在线评估
          3.1.7  其他支撑模块
        3.2  推荐服务的pipeline架构
        3.3  推荐系统的工程架构设计原则
        3.4  小结
      第4章  推荐系统的数据源与数据预处理
        4.1  推荐系统的数据源
          4.1.1  根据产品功能来划分
          4.1.2  根据数据载体来划分
          4.1.3  根据数据组织形式来划分
        4.2  数据预处理
          4.2.1  抽取
          4.2.2  转换
          4.2.3  加载
        4.3  小结
      第5章  推荐系统的特征工程
        5.1  推荐系统架构下的特征工程
        5.2  推荐系统的5类特征

          5.2.1  用户画像特征
          5.2.2  物品画像特征
          5.2.3  用户行为特征
          5.2.4  场景特征
          5.2.5  交叉特征
        5.3  推荐算法与特征工程
          5.3.1  个性化推荐下的样本与特征
          5.3.2  物品关联推荐下的样本与特征
        5.4  推荐系统特征工程面临的挑战
          5.4.1  异构数据
          5.4.2  实时推荐
          5.4.3  复杂场景下的推荐
          5.4.4  用户隐私与信息安全
        5.5  小结
    召回算法篇
      第6章  推荐系统的召回算法
        6.1  什么是召回算法
        6.2  常用的召回算法介绍
          6.2.1  基于算法复杂度分类
          6.2.2  基于数据维度分类
          6.2.3  基于算法是否个性化分类
        6.3  关于召回算法的使用说明
          6.3.1  别使用太复杂的召回算法
          6.3.2  使用多维度的召回算法
          6.3.3  基于业务策略进行召回
        6.4  小结
      第7章  基于规则和策略的召回算法
        7.1  热门召回
        7.2  基于物品标签的召回
          7.2.1  物品关联召回
          7.2.2  个性化召回
        7.3  基于用户画像的召回
          7.3.1  基于用户自然属性的召回
          7.3.2  基于用户社会属性的召回
          7.3.3  基于用户业务属性的召回
          7.3.4  基于用户设备属性的召回
        7.4  基于地域的召回
        7.5  基于时间的召回
        7.6  小结
      第8章  基础召回算法
        8.1  关联规则召回算法
        8.2  聚类召回算法
          8.2.1  基于用户聚类的召回
          8.2.2  基于物品聚类的召回
        8.3  朴素贝叶斯召回算法
        8.4  协同过滤召回算法
          8.4.1  基于用户的协同过滤
          8.4.2  基于物品的协同过滤
        8.5  矩阵分解召回算法
          8.5.1  矩阵分解召回算法的核心思想

          8.5.2  矩阵分解召回算法的实现原理
          8.5.3  矩阵分解召回算法的求解方法
        8.6  小结
      第9章  高阶召回算法
        9.1  嵌入方法召回
          9.1.1  word2vec原理介绍
          9.1.2  item2vec原理介绍
          9.1.3  item2vec在召回中的应用
        9.2  深度学习召回
          9.2.1  YouTube深度学习召回算法原理
          9.2.2  优化召回算法的线上服务策略
        9.3  小结
    排序算法篇
      第10章  推荐系统的排序算法
        10.1  什么是排序算法
        10.2  常用的排序算法
          10.2.1  基于规则和策略的排序算法
          10.2.2  基础排序算法
          10.2.3  高阶排序算法
        10.3  关于排序算法的3点说明
          10.3.1  是否一定要用排序算法
          10.3.2  粗排和精排
          10.3.3  排序后的业务调控
        10.4  小结
      第11章  基于规则和策略的排序算法
        11.1  多种召回随机打散
        11.2  按照某种顺序排列
        11.3  召回得分归一化排序
        11.4  匹配用户画像排序
        11.5  利用代理算法排序
        11.6  几种策略的融合使用
        11.7  小结
      第12章  基础排序算法
        12.1  logistic回归排序算法
          12.1.1  logistic回归的算法原理
          12.1.2  logistic回归的特点
          12.1.3  logistic回归的工程实现
          12.1.4  logistic回归在业界的应用
        12.2  FM排序算法
          12.2.1  FM的算法原理
          12.2.2  FM的参数估计
          12.2.3  FM的计算复杂度
          12.2.4  FM模型求解
          12.2.5  FM用于推荐排序
        12.3  GBDT排序算法
          12.3.1  GBDT的算法原理
          12.3.2  GBDT用于推荐排序
        12.4  小结
      第13章  高阶排序算法
        13.1  Wide&Deep排序算法

          13.1.1  模型特性
          13.1.2  模型架构
          13.1.3  Wide&Deep的工程实现
        13.2  YouTube深度学习排序算法
          13.2.1  模型架构
          13.2.2  加权logistic回归解释
          13.2.3  预测播放时长
        13.3  小结
    工程实践篇
      第14章  推荐系统的冷启动
        14.1  冷启动的定义
        14.2  冷启动面临的挑战
        14.3  解决冷启动问题为何如此重要
        14.4  解决冷启动问题的方法和策略
          14.4.1  用户冷启动
          14.4.2  物品冷启动
        14.5  小结
      第15章  推荐系统的效果评估
        15.1  推荐系统评估的目的
        15.2  推荐系统评估方法的分类
        15.3  常用评估方法
          15.3.1  离线评估
          15.3.2  在线评估
        15.4  小结
      第16章  推荐系统的AB测试
        16.1  什么是AB测试
        16.2  AB测试的价值
          16.2.1  为评估产品优化效果提供科学的证据
          16.2.2  增强决策的说服力
          16.2.3  提升用户体验
          16.2.4  提升公司变现能力
        16.3  推荐系统的AB测试实现方案
          16.3.1  AB测试的核心模块
          16.3.2  AB测试的业务流程
        16.4  小结
      第17章  推荐系统的Web服务
        17.1  推荐系统Web服务的构成
        17.2  推荐系统API服务
        17.3  推荐系统推断服务
          17.3.1  推断服务的两种实现方式
          17.3.2  事先计算型推断服务
          17.3.3  实时装配型推断服务
          17.3.4  两种推断服务的优劣对比
        17.4  小结
    代码实战篇
      第18章  NetflixPrize推荐算法代码实战案例
        18.1  NetflixPrize竞赛简介
        18.2  NetflixPrize竞赛数据集简介
        18.3  数据预处理
        18.4  推荐系统算法实现

          18.4.1  召回算法
          18.4.2  排序算法
        18.5  小结
      第19章  H&M推荐算法代码实战案例
        19.1  H&M数据集简介
        19.2  数据预处理与特征工程
          19.2.1  基于物品信息构建物品特征矩阵
          19.2.2  基于标签构建用户兴趣画像
          19.2.3  构建推荐算法的特征矩阵
        19.3  推荐系统算法实现
          19.3.1  召回算法
          19.3.2  排序算法
        19.4  小结
    行业案例篇
      第20章  推荐系统在金融行业的应用
        20.1  达观数据推荐系统简介
        20.2  项目背景
        20.3  核心功能模块
          20.3.1  增长洞察
          20.3.2  数字画像
          20.3.3  推荐引擎
          20.3.4  智能监控
          20.3.5  应用交流
          20.3.6  平台管理
        20.4  技术实现方案
          20.4.1  系统总体架构
          20.4.2  系统数据流
          20.4.3  模型特征加工流程
          20.4.4  模型训练和预测流程
          20.4.5  项目主要成果
        20.5  小结
      第21章  推荐系统在零售行业的应用
        21.1  零售电商推荐需求背景
        21.2  零售推荐场景的价值
        21.3  达观智能推荐在零售行业的应用案例
          21.3.1  某知名运动品牌智能推荐案例
          21.3.2  某知名日用品牌智能推荐案例
        21.4  小结
    ChatGPT、大模型与推荐系统篇
      第22章  ChatGPT与大模型
        22.1  语言模型发展史
          22.1.1  统计语言模型
          22.1.2  神经网络语言模型
          22.1.3  预训练语言模型
          22.1.4  大语言模型
        22.2  全球大模型简介
          22.2.1  OpenAI大模型发展历程
          22.2.2  全球大模型发展历程
        22.3  大模型核心技术简介
          22.3.1  预训练技术

          22.3.2  微调技术
          22.3.3  应用
        22.4  大模型的应用场景
          22.4.1  内容生成
          22.4.2  问题解答
          22.4.3  互动式对话
          22.4.4  生产力工具企业服务
          22.4.5  特定硬件终端上的应用
          22.4.6  搜索推荐
        22.5  小结
      第23章  ChatGPT、大模型在推荐系统中的应用
        23.1  大模型为什么能应用于推荐系统
        23.2  大模型在推荐系统中的应用方法
          23.2.1  大模型用于数据处理与特征工程
          23.2.2  大模型用于召回与排序
          23.2.3  大模型用于交互控制
          23.2.4  大模型用于冷启动
          23.2.5  大模型用于推荐解释
          23.2.6  大模型用于跨领域推荐
        23.3  大模型应用于推荐系统的问题及挑战
          23.3.1  大模型进行信息交互的形式限制
          23.3.2  大模型输入的token数量限制
          23.3.3  位置偏差
          23.3.4  流行度偏差
          23.3.5  输出结果的随机性
        23.4  大模型推荐系统的发展趋势与行业应用
          23.4.1  大模型和传统推荐系统互为补充
          23.4.2  融合多模态信息是大模型推荐系统的发展方向
          23.4.3  基于增量学习的大模型推荐系统一定会出现
          23.4.4  对话式推荐系统会成为重要的产品形态
          23.4.5  借助大模型,推荐和搜索有可能合二为一
        23.5  小结
    结尾篇
      第24章  推荐系统的未来发展
        24.1  政策及技术发展对推荐系统行业的影响
          24.1.1  政策层面的影响
          24.1.2  技术层面的影响
        24.2  推荐系统行业的就业环境变化
          24.2.1  推荐算法商业策略师是新的职业方向
          24.2.2  在特定领域和场景下出现新的推荐形态
          24.2.3  推荐系统行业从业者需要更加关注业务价值产出
        24.3  推荐系统的应用场景及交互方式
          24.3.1  家庭场景
          24.3.2  车载场景
          24.3.3  VR/AR/MR场景
          24.3.4  传统行业的精细化、个性化运营场景
        24.4  推荐算法与工程架构的发展
          24.4.1  推荐算法的新范式
          24.4.2  推荐系统工程层面的发展变化
        24.5  人与推荐系统的有效协同

        24.6  推荐系统多维价值体现
        24.7  小结
    附录A  推荐系统预备知识