[
-
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
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...