从零开始构建企业级推荐系统

本店所售图书，保证正版新书，有个别图片和实书封面不一样，以实书封面为准，最快当天，一般隔天发货。支持7天无理由退换货.开票联系客服

张相於 / 电子工业出版社 / 2020-07 / 其他

售价 39.46 4.4折

定价￥89.00

品相全新

优惠

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2023-12-15

数量: 库存2件

立即购买加入购物车收藏

卖家超过10天未登录

商品详情
店铺评价

手机购买

微信扫码访问

图书条目信息
图书 > 计算机与互联网
从零开始构建企业级推荐系统
作者: 张相於

出版社: 电子工业出版社

出版时间: 2020-07

版次: 1

ISBN: 9787121391514

定价: 89.00

装帧: 其他

开本: 16开

纸张: 胶版纸

页数: 320页

字数: 412千字
内容简介：

本书是一本面向实践的企业级推荐系统开发指南，内容包括产品设计、相关性算法、排序模型、工程架构、效果评测、系统监控等推荐系统核心部分的设计与开发，可以帮助开发者逐步构建一个完整的推荐系统，并提供了持续优化的系统性思路。本书注重从系统性和通用性的角度看待推荐系统的核心问题，希望能够帮助读者做到知其然，也知其所以然，更能够举一反三，真正掌握推荐系统的核心本质。此外，本书对于推荐系统开发中常见的问题和陷阱，以及系统构建过程，也做了重点介绍，力求让读者不仅知道做什么，而且知道怎么做。本书的目标读者是推荐系统研发工程师、产品经理以及对推荐系统感兴趣的学生和从业者。

作者简介：

张相於，本科和研究生毕业于中国人民大学，现任阿里巴巴高级算法专家。多年来一直从事推荐系统及相关领域的系统研发，具有丰富的实践经验，并乐于分享经验与教训，在ResysChina上发表过多篇推荐系统相关文章，也在全球架构师峰会等技术大会上做过多次演讲。

目录：

第１章　推荐系统的时代背景 1

1.1　为什么需要推荐系统 1

1.1.1　提高流量利用效率 1

1.1.2　挖掘和匹配长尾需求 6

1.1.3　提升用户体验 7

1.1.4　技术积累 8

1.2　推荐的产品问题 10

1.2.1　推荐什么东西 10

1.2.2　为谁推荐 13

1.2.3　推荐场景 14

1.2.4　推荐解释 16

1.3　总结 18

第2章　推荐系统的核心技术概述 19

2.1　核心逻辑拆解 19

2.2　整体流程概述 20

2.3　召回算法 21

2.4　基于行为的召回算法 24

2.5　用户画像和物品画像 24

2.6　结果排序 26

2.7　评价指标 26

2.8　系统监控 27

2.9　架构设计 28

2.10　发展历程 28

2.11　总结 30

第3章　基础推荐算法 31

3.1　推荐逻辑流程架构 31

3.2　召回算法的基本逻辑 34

3.3　常用的基础召回算法 36

3.3.1　用户与物品的相关性 36

3.3.2　物品与物品的相关性 42

3.3.3　用户与用户的相关性 46

3.3.4　用户与标签的相关性 47

3.3.5　标签与物品的相关性 48

3.3.6　相关性召回的链式组合 50

3.4　冷启动场景下的推荐 51

3.5 总结 53

第4章　算法融合与数据血统 54

4.1　线性加权融合 55

4.2　优先级融合 57

4.3　基于机器学习的排序融合 59

4.4　融合策略的选择 61

4.5　融合时机的选择 63

4.6　数据血统 64

4.6.1　融合策略正确性验证 65

4.6.2　系统效果监控 65

4.6.3　策略效果分析 67

4.7 总结 68

第5章　机器学习技术的应用 69

5.1　机器学习技术概述 69

5.2　推荐系统中的应用场景 70

5.3　机器学习技术的实施方法 72

5.3.1　老系统与数据准备 72

5.3.2　问题分析与目标定义 74

5.3.3　样本处理 76

5.3.4　特征处理 80

5.3.5　模型选择与训练 98

5.3.6　模型效果评估 101

5.3.7　预测阶段效果监控 104

5.3.8　模型训练系统架构设计 105

5.3.9　模型预测系统架构设计 108

5.4　常用模型介绍 109

5.4.1　逻辑回归模型 109

5.4.2　GBDT模型 111

5.4.3　LR GDBT模型 112

5.4.4　因子分解机模型 113

5.4.5　Wide ＆ Deep模型 115

5.4.6　其他深度学习模型 116

5.5　机器学习实践常见问题 117

5.5.1　反模式1：只见模型，不见系统 117

5.5.2　反模式2：忽视模型过程和细节 117

5.5.3　反模式3：不注重样本精细化处理 118

5.5.4　反模式4：过于依赖算法 119

5.5.5　反模式5：核心数据缺乏控制 120

5.5.6　反模式6：团队不够“全栈” 121

5.5.7　反模式7：系统边界模糊导致出现“巨型系统” 121

5.5.8　反模式8：不重视基础数据架构建设 122

5.6　总结 123

第6章　用户画像系统 124

6.1　用户画像的概念和作用 124

6.2　用户画像的价值准则 126

6.3　用户画像的构成要素 128

6.3.1　物品侧画像 129

6.3.2　用户侧画像 133

6.3.3　用户画像扩展 139

6.3.4　用户画像和排序特征的关系 142

6.4　用户画像系统的架构演进 143

6.4.1　用户画像系统的组成部分 143

6.4.2　野蛮生长期 144

6.4.3　统一用户画像系统架构 145

6.5　总结 147

第7章　系统效果评测与监控 148

7.1　评测与监控的概念和意义 148

7.2　推荐系统的评测指标系统 150

7.3　常用指标 151

7.4　离线效果评测方法 158

7.5　在线效果评测方法 163

7.5.1　AB实验 163

7.5.2　交叉实验 173

7.6　系统监控 178

7.7　总结 181

第8章　推荐效果优化 182

8.1　准确率优化的一般性思路 183

8.2　覆盖率优化的一般性思路 185

8.3　行为类相关性算法优化 188

8.3.1　热度惩罚 188

8.3.2　时效性优化 190

8.3.3　随机游走 194

8.3.4　嵌入表示 196

8.4　内容类相关性算法优化 200

8.4.1　非结构化算法 201

8.4.2　结构化算法 201

8.5　影响效果的非算法因素 205

8.5.1　用户因素 205

8.5.2　产品设计因素 206

8.5.3　数据因素 208

8.5.4　算法策略因素 208

8.5.5　工程架构因素 209

8.6　总结 210

第9章　自然语言处理技术的应用 211

9.1　词袋模型 212

9.2　权重计算和向量空间模型 214

9.3　隐语义模型 216

9.4　概率隐语义模型 218

9.5　生成式概率模型 220

9.6　LDA模型的应用 222

9.6.1　相似度计算 222

9.6.2　排序特征 222

9.6.3　物品打标签＆用户打标签 223

9.6.4　主题＆词的重要性度量 223

9.6.5　更多应用 224

9.7　神经概率语言模型 224

9.8　行业应用现状 226

9.9　总结和展望 227

第10章　探索与利用问题 228

10.1　多臂老虎机问题 228

10.2　推荐系统中的EE问题 230

10.3　解决方案 231

10.3.1　?-Greedy算法 231

10.3.2　UCB 234

10.3.3　汤普森采样 236

10.3.4　LinUCB 237

10.4　探索与利用原理在机器学习系统中的应用 239

10.5　EE问题的本质和影响 240

10.6　总结 241

第11章　推荐系统架构设计 242

11.1　架构设计概述 242

11.2　系统边界和外部依赖 244

11.3　离线层、在线层和近线层架构 246

11.4　离线层架构 247

11.5　近线层架构 249

11.6　在线层架构 252

11.7　架构层级对比 255

11.8　系统和架构演进原则 256

11.8.1　从简单到复杂 256

11.8.2　从离线到在线 258

11.8.3　从统一到拆分 258

11.9　基于领域特定语言的架构设计 259

11.10　总结 262

第12章　推荐系统工程师成长路线 263

12.1　基础开发能力 264

12.1.1　单元测试 264

12.1.2　逻辑抽象复用 264

12.2　概率和统计基础 265

12.3　机器学习理论 266

12.3.1　基础理论 267

12.3.2　监督学习 268

12.3.3　无监督学习 269

12.4　开发语言和开发工具 270

12.4.1　开发语言 270

12.4.2　开发工具 270

12.5　算法优化流程 271

12.6　推荐业务技能 273

12.7　总结 274

第13章　推荐系统的挑战 275

13.1 数据稀疏性 275

13.2　推荐结果解释 277

13.3　相关性和因果性 281

13.4　信息茧房 283

13.5　转化率预估偏差问题 286

13.6　召回模型的局限性问题 288

13.7　用户行为捕捉粒度问题 290

13.8　总结 291

展开全部
货号：

30919975

商品描述：

目录
第１章　推荐系统的时代背景1
1.1　为什么需要推荐系统1
1.1.1　提高流量利用效率1
1.1.2　挖掘和匹配长尾需求6
1.1.3　提升用户体验7
1.1.4　技术积累8
1.2　推荐的产品问题10
1.2.1　推荐什么东西10
1.2.2　为谁推荐13
1.2.3　推荐场景14
1.2.4　推荐解释16
1.3　总结18
第2章　推荐系统的核心技术概述19
2.1　核心逻辑拆解19
2.2　整体流程概述20
2.3　召回算法21
2.4　基于行为的召回算法24
2.5　用户画像和物品画像24
2.6　结果排序26
2.7　评价指标26
2.8　系统监控27
2.9　架构设计28
2.10　发展历程28
2.11　总结30
第3章　基础推荐算法31
3.1　推荐逻辑流程架构31
3.2　召回算法的基本逻辑34
3.3　常用的基础召回算法36
3.3.1　用户与物品的相关性36
3.3.2　物品与物品的相关性42
3.3.3　用户与用户的相关性46
3.3.4　用户与标签的相关性47
3.3.5　标签与物品的相关性48
3.3.6　相关性召回的链式组合50
3.4　冷启动场景下的推荐51
3.5  总结53
第4章　算法融合与数据血统54
4.1　线性加权融合55
4.2　优先级融合57
4.3　基于机器学习的排序融合59
4.4　融合策略的选择61
4.5　融合时机的选择63
4.6　数据血统64
4.6.1　融合策略正确性验证65
4.6.2　系统效果监控65
4.6.3　策略效果分析67
4.7  总结68
第5章　机器学习技术的应用69
5.1　机器学习技术概述69
5.2　推荐系统中的应用场景70
5.3　机器学习技术的实施方法72
5.3.1　老系统与数据准备72
5.3.2　问题分析与目标定义74
5.3.3　样本处理76
5.3.4　特征处理80
5.3.5　模型选择与训练98
5.3.6　模型效果评估101
5.3.7　预测阶段效果监控104
5.3.8　模型训练系统架构设计105
5.3.9　模型预测系统架构设计108
5.4　常用模型介绍109
5.4.1　逻辑回归模型109
5.4.2　GBDT模型111
5.4.3　LR+GDBT模型112
5.4.4　因子分解机模型113
5.4.5　Wide ＆ Deep模型115
5.4.6　其他深度学习模型116
5.5　机器学习实践常见问题117
5.5.1　反模式1：只见模型，不见系统117
5.5.2　反模式2：忽视模型过程和细节117
5.5.3　反模式3：不注重样本精细化处理118
5.5.4　反模式4：过于依赖算法119
5.5.5　反模式5：核心数据缺乏控制120
5.5.6　反模式6：团队不够“全栈”121
5.5.7　反模式7：系统边界模糊导致出现“巨型系统”121
5.5.8　反模式8：不重视基础数据架构建设122
5.6　总结123
第6章　用户画像系统124
6.1　用户画像的概念和作用124
6.2　用户画像的价值准则126
6.3　用户画像的构成要素128
6.3.1　物品侧画像129
6.3.2　用户侧画像133
6.3.3　用户画像扩展139
6.3.4　用户画像和排序特征的关系142
6.4　用户画像系统的架构演进143
6.4.1　用户画像系统的组成部分143
6.4.2　野蛮生长期144
6.4.3　统一用户画像系统架构145
6.5　总结147
第7章　系统效果评测与监控148
7.1　评测与监控的概念和意义148
7.2　推荐系统的评测指标系统150
7.3　常用指标151
7.4　离线效果评测方法158
7.5　在线效果评测方法163
7.5.1　AB实验163
7.5.2　交叉实验173
7.6　系统监控178
7.7　总结181
第8章　推荐效果优化182
8.1　准确率优化的一般性思路183
8.2　覆盖率优化的一般性思路185
8.3　行为类相关性算法优化188
8.3.1　热度惩罚188
8.3.2　时效性优化190
8.3.3　随机游走194
8.3.4　嵌入表示196
8.4　内容类相关性算法优化200
8.4.1　非结构化算法201
8.4.2　结构化算法201
8.5　影响效果的非算法因素205
8.5.1　用户因素205
8.5.2　产品设计因素206
8.5.3　数据因素208
8.5.4　算法策略因素208
8.5.5　工程架构因素209
8.6　总结210
第9章　自然语言处理技术的应用211
9.1　词袋模型212
9.2　权重计算和向量空间模型214
9.3　隐语义模型216
9.4　概率隐语义模型218
9.5　生成式概率模型220
9.6　LDA模型的应用222
9.6.1　相似度计算222
9.6.2　排序特征222
9.6.3　物品打标签＆用户打标签223
9.6.4　主题＆词的重要性度量223
9.6.5　更多应用224
9.7　神经概率语言模型224
9.8　行业应用现状226
9.9　总结和展望227
第10章　探索与利用问题228
10.1　多臂老虎机问题228
10.2　推荐系统中的EE问题230
10.3　解决方案231
10.3.1　?-Greedy算法231
10.3.2　UCB234
10.3.3　汤普森采样236
10.3.4　LinUCB237
10.4　探索与利用原理在机器学习系统中的应用239
10.5　EE问题的本质和影响240
10.6　总结241
第11章　推荐系统架构设计242
11.1　架构设计概述242
11.2　系统边界和外部依赖244
11.3　离线层、在线层和近线层架构246
11.4　离线层架构247
11.5　近线层架构249
11.6　在线层架构252
11.7　架构层级对比255
11.8　系统和架构演进原则256
11.8.1　从简单到复杂256
11.8.2　从离线到在线258
11.8.3　从统一到拆分258
11.9　基于领域特定语言的架构设计259
11.10　总结262
第12章　推荐系统工程师成长路线263
12.1　基础开发能力264
12.1.1　单元测试264
12.1.2　逻辑抽象复用264
12.2　概率和统计基础265
12.3　机器学习理论266
12.3.1　基础理论267
12.3.2　监督学习268
12.3.3　无监督学习269
12.4　开发语言和开发工具270
12.4.1　开发语言270
12.4.2　开发工具270
12.5　算法优化流程271
12.6　推荐业务技能273
12.7　总结274
第13章　推荐系统的挑战275
13.1  数据稀疏性275
13.2　推荐结果解释277
13.3　相关性和因果性281
13.4　信息茧房283
13.5　转化率预估偏差问题286
13.6　召回模型的局限性问题288
13.7　用户行为捕捉粒度问题290
13.8　总结291

内容摘要
本书是一本面向实践的企业级推荐系统开发指南，内容包括产品设计、相关性算法、排序模型、工程架构、效果评测、系统监控等推荐系统核心部分的设计与开发，可以帮助开发者逐步构建一个完整的推荐系统，并提供了持续优化的系统性思路。本书注重从系统性和通用性的角度看待推荐系统的核心问题，希望能够帮助读者做到知其然，也知其所以然，更能够举一反三，真正掌握推荐系统的核心本质。此外，本书对于推荐系统开发中常见的问题和陷阱，以及系统构建过程，也做了重点介绍，力求让读者不仅知道做什么，而且知道怎么做。本书的目标读者是推荐系统研发工程师、产品经理以及对推荐系统感兴趣的学生和从业者。
配送说明

...
相似商品
为你推荐

孔网分类

图书

图书

从零开始构建企业级推荐系统

孔网啦啦啦啦啦纺织女工火锅店第三课