- 推荐系统/计算机企业核心技术丛书
- - 作者：字节跳动推荐技术团队|责编:苏洋
  - 出版社：机械工业
  - ISBN：9787111795643
  - 出版日期：2026/01/01
  - 页数：275
- 售价：39.6

内容大纲
作为人工智能和机器学习的应用方向之一，推荐系统不仅在学术界积累了众多文献著作，在互联网业界也有着广泛的落地实践，已服务过数亿用户，其算法和系统设计相当复杂。本书结合互联网大规模应用场景的实践需求，回顾了推荐系统的发展历史，解析了核心算法、系统架构、评估方法等诸多推荐系统涉及的方向，具备很强的实用性。内容包括推荐系统介绍、推荐系统原理、推荐系统经典链路、推荐系统进阶、推荐系统内容审核与冷启动、推荐系统架构、推荐系统评估。
本书适合有机器学习基础的学生、算法工程师，以及互联网行业从业人员阅读，也适合想了解推荐系统的跨行业人员阅读。
作者介绍
目录
丛书序
推荐序
前言
第1章  推荐系统介绍
  1.1  推荐系统崛起
  1.2  现代化的推荐系统产品
  1.3  推荐系统的未来
第2章  推荐系统原理
  2.1  推荐系统链路概览
    2.1.1  监督学习
    2.1.2  推荐系统与监督学习的区别
    2.1.3  多阶段推荐系统设计
    2.1.4  推荐系统的离/在线流程
    2.1.5  推荐系统的实时离/在线联动
    2.1.6  端到端的推荐系统
  2.2  推荐方法
    2.2.1  模型结构与特征设计
    2.2.2  目标设计
  2.3  推荐效果评估
    2.3.1  离线评估
    2.3.2  在线评估
第3章  推荐系统经典链路
  3.1  召回阶段
    3.1.1  召回阶段的作用及特殊性
    3.1.2  召回阶段的建模方法
    3.1.3  召回建模的分类
    3.1.4  u2i召回
    3.1.5  i2i召回
    3.1.6  u2u2i召回
    3.1.7  召回的特定问题与解法
  3.2  粗排阶段
    3.2.1  粗排阶段的定位
    3.2.2  粗排阶段的建模思路
    3.2.3  粗排模型的结构
    3.2.4  粗排效果的评估
  3.3  精排阶段
    3.3.1  经典精排模型
    3.3.2  特征交叉增强
    3.3.3  序列建模
  3.4  重排阶段
    3.4.1  重排阶段的框架
    3.4.2  一阶段式重排
    3.4.3  二阶段式重排
    3.4.4  多体裁混排
    3.4.5  对重排范式的思考
第4章  推荐系统进阶
  4.1  推荐系统的多样性
    4.1.1  问题设定
    4.1.2  相似度度量
    4.1.3  约束规则

    4.1.4  最大边际相关
    4.1.5  行列式点过程
    4.1.6  相关拓展
  4.2  List-wise建模
    4.2.1  LTR方法
    4.2.2  评估式生成方法
    4.2.3  生成式建模方法
  4.3  多种用户行为建模
    4.3.1  用户行为
    4.3.2  常见的建模方法
    4.3.3  多目标融合
  4.4  消偏
    4.4.1  关于偏差的例子
    4.4.2  常见偏差和消偏方法
  4.5  图模型
    4.5.1  图模型介绍
    4.5.2  图模型在推荐系统中的经典实践
    4.5.3  图模型的挑战和未来
  4.6  探索与利用
    4.6.1  问题与算法
    4.6.2  业务应用
    4.6.3  E&E平台
  4.7  动态权重/门控类模型
    4.7.1  动态权重/门控类模型介绍
    4.7.2  动态权重/门控类模型的建模方式
    4.7.3  动态权重/门控类模型的性能
第5章  推荐系统内容审核与冷启动
  5.1  内容审核
    5.1.1  审核系统的目标
    5.1.2  审核流程设计
    5.1.3  审核策略设计
    5.1.4  审核模型设计
    5.1.5  抄袭和洗稿识别
    5.1.6  谣言识别
  5.2  冷启动
    5.2.1  冷启动的问题和挑战
    5.2.2  通用技术手段——元学习
    5.2.3  用户冷启动实践
    5.2.4  物料冷启动实践
第6章  推荐系统架构
  6.1  推荐系统整体架构
  6.2  数据流样本拼接
    6.2.1  实时样本拼接
    6.2.2  大数据架构结合推荐系统
  6.3  分布式训练
    6.3.1  数据并行和模型并行
    6.3.2  参数服务器异步训练架构
  6.4  推理优化
    6.4.1  什么是推理优化
    6.4.2  推理优化实用技巧

第7章  推荐系统评估
  7.1  A/B实验简介
    7.1.1  A/B实验的基本假设
    7.1.2  A/B实验的分流
    7.1.3  A/B实验的基本流程
    7.1.4  假设检验
  7.2  A/B实验的指标建设
    7.2.1  业务规模类指标的检验
    7.2.2  效率类指标的检验
  7.3  A/B实验指标的灵敏度提升
    7.3.1  CUPED方法
    7.3.2  协变量调整
  7.4  A/B实验的注意事项
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目