返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版]系统技术原理与实践 文亮 著 系统机器学习算法深度学习人工智能计算机程序设计图神经网络书籍 系统应用书籍 计算机
  • 正版图书 品质保障
    • 作者: 文亮著
    • 出版社: 人民邮电出版社
    • 出版时间:2023-06
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    友一个图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 文亮著
    • 出版社:人民邮电出版社
    • 出版时间:2023-06
    • ISBN:9784576918643
    • 版权提供:人民邮电出版社

             店铺公告

      为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。

    温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货),

    关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。

      本店存在书、古旧书、收藏书、二手书等特殊商品,因受采购成本限制,可能高于定价销售,明码标价,介意者勿拍!

    1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍,避免价格争议!

    2.店铺无纸质均开具电子,请联系客服开具电子版

     

    适读人群 :本书适合以下3类读者。 ·推荐、广告、搜索等领域的开发人员。本书能够帮助他们深入学习推荐系统的完整技术结构,并应用于业务工作中。 ·有一定机器学习基础,希望进入推荐系统领域的初学者。本书能够帮助他们了解推荐系统的技术原理以及大型互联网公司的业务实践。 ·高校计算机相关专业学生。本书能够帮助他们学习机器学习和深度学习的基础知识,从零开始了解推荐系统的知识体系。

    1.集机器学习和深度学习于一身,由360资深算法专家撰写,让你轻松掌握推荐系统的核心技术。

    2.推荐系统技术已经正式步入深度学***。基于一线研发人员的视角,系统介绍推荐系统的技术理论和实践。

    3.覆盖推荐系统召回、粗排、精排和重排全链路,本书从多个角度审视推荐系统中的公平性问题、知识蒸馏、冷启动等前沿实践,是推荐系统领域实践者不容错过的指南。

    4.以业界实践为基础,介绍推荐系统的核心技术。通过谷歌、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,快速了解业内主流解决方案,搭建属于自己的实用知识体系。

    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。

    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。

    第 1章 推荐系统简介 1

    1.1 什么是推荐系统 1

    1.2 推荐系统的作用和意义 2

    1.3 推荐系统的技术架构 3

    1.4 推荐系统的召回阶段 5

    1.5 推荐系统的粗排阶段 5

    1.6 推荐系统的精排阶段 5

    1.7 推荐系统的重排阶段 6

    1.8 小结 6

    第 2章 推荐系统算法基础 7

    2.1 LR--应用极广的机器学习模型 7

    2.1.1 LR的数学原理 7

    2.1.2 LR的训练方法 9

    2.1.3 LR的训练优化 12

    2.1.4 LR的优势和局限性 13

    2.2 MLP--极简单的深度学习模型 13

    2.2.1 MLP的模型结构 15

    2.2.2 MLP的训练方法 16

    2.2.3 MLP的优势和局限性 16

    2.3 机器学习常用的优化算法 17

    2.3.1 随机梯度下降法 17

    2.3.2 小批量随机梯度下降法 18

    2.3.3 FTRL在线学习算法 18

    2.4 深度学习常用的优化算法 18

    2.4.1 深度学习的优化挑战 18

    2.4.2 AdaGrad算法 19

    2.4.3 RMSProp算法 20

    2.4.4 AdaDelta 算法 21

    2.4.5 Adam 算法 21

    2.5 深度学习常用的激活函数.22

    2.5.1 引入激活函数的目的 22

    2.5.2 sigmoid 激活函数 23

    2.5.3 ReLU 激活函数 25

    2.5.4 Leaky ReLU 激活函数25

    2.5.5 PReLU 激活函数 26

    2.5.6 阿里巴巴的 Dice 激活函数 26

    2.5.7 RReLU 激活函数 27

    2.6 欠拟合和过拟合 28

    2.6.1 欠拟合和过拟合的原因与解决方案 28

    2.6.2 处理欠拟合的特定技术 29

    2.6.3 处理过拟合的特定技术 30

    2.7 深度学习中模型参数的初始化 31

    2.7.1 权重和超参数的初始化 31

    2.7.2 权重初始化案例-连续点击概率模型 31

    2.8 小结 33

    第3 章 召回技术演进 35

    3.1 召回层的作用和意义 36

    3.2 召回模型的演进 37

    3.3 传统召回算法 38

    3.3.1 基于协同过滤的召回算法 38

    3.3.2 基于矩阵分解的召回算法 41

    3.3.3 传统召回算法小结 42

    3.4 Embedding 模型化召回的基本框架 42

    3.4.1 Embedding 的产生 43

    3.4.2 Embedding 的发展 44

    3.4.3 基于 Embedding 的召回框架 44

    3.5 基于内容语义的 i2i 召回 46

    3.5.1 物品 Embedding 生成 46

    3.5.2 Word2vec-经典的词向量方法 46

    3.5.3 FastText-字符级别n-gram 方法 54

    3.5.4 BERT-动态词向量方法 55

    3.5.5 语言模型扩展为序列模型 58

    3.5.6 内容语义召回小结 59

    3.6 基于 Graph Embedding 的i2i 召回 60

    3.6.1 DeepWalk-随机游走图表征 61

    3.6.2 EGES-阿里巴巴的Graph Embedding 方法 61

    3.6.3 Node2vec-优化图结构的Graph Embedding 方法 63

    3.6.4 GCN-基于谱域的图神经网络 65

    3.6.5 GraphSAGE-基于空间域的图神经网络 68

    3.6.6 Graph Embedding 小结 70

    3.7 基于深度学习的 u2i 召回 70

    3.7.1 DSSM-经典的双塔模型 70

    3.7.2 YouTube 的深度学习召回算法 71

    3.7.3 基于用户长短兴趣的Embedding 召回 73

    3.7.4 深度学习 u2i 召回小结 78

    3.8 小结 78

    第4 章 粗排技术演进 80

    4.1 粗排的发展 81

    4.2 粗排的前深度学x时代 81

    4.3 粗排的深度学x时代 82

    4.3.1 向量内积模型 82

    4.3.2 向量版 WDL 模型--向量内积模型的改进 83

    4.4 粗排的最新进展 84

    4.4.1 阿里巴巴的粗排模型 COLD 84

    4.4.2 知识蒸馏 85

    4.5 粗排的未来展望 90

    4.6 小结90

    第5 章 精排技术演进 91

    5.1 精排模型的演化关系 92

    5.2 传统机器学习推荐模型 94

    5.2.1 FM 模型-稀疏数据下的特征交叉94

    5.2.2 FFM-特征域感知 FM 模型 97

    5.2.3 GBDT+LR-Facebook 的特征交叉模型 98

    5.2.4 MLR-阿里巴巴的经典 CTR 预估模型 100

    5.3 精排的深度学x时代 103

    5.3.1 WDL-谷歌的经典 CTR预估模型 103

    5.3.2 DCN-深度交叉网络 105

    5.3.3 DCN-v2-谷歌的改进版DCN 模型 107

    5.3.4 DIN-基于注意力机制的用户动态兴趣表达 109

    5.3.5 DIEN-使用序列模型对用户兴趣建模 112

    5.3.6 BST-使用 Transformer 对用户行为序列建模 116

    5.3.7 DSIN-基于会话的兴趣演化模型 117

    5.3.8 MIMN-多通道用户兴趣网络 121

    5.3.9 SIM-基于搜索的超长用户行为序列建模 126

    5.3.10 CAN-特征交叉新路线 135

    5.4 小结 139

    第6 章 重排技术演进 141

    6.1 重排的作用 142

    6.2 基于规则的多样性重排 143

    6.3 基于行列式点过程的重排 143

    6.4 深度学习在重排中的应用 145

    6.5 强化学习在重排中的应用 147

    6.6 小结 149

    第7 章 多目标排序在推荐系统中的应用.150

    7.1 推荐系统的优化目标 151

    7.2 多目标排序模型的演化关系 152

    7.3 通过样本权重进行多目标优化 154

    7.4 多目标排序模型 155

    7.4.1 共享底层参数的多塔结构 155

    7.4.2 MOE-替换共享底层参数的门控网络 158

    7.4.3 MMOE-改进 MOE 的多门混合专家系统 159

    7.4.4 PLE-改进 MMOE 解决“跷跷板”现象 160

    7.4.5 ESMM-根据目标依赖关系建模 167

    7.4.6 ESM2-改进 ESMM 解决数据稀疏性问题 170

    7.4.7 DBMTL-用贝叶斯网络对目标依赖关系建模 172

    7.5 多目标融合优化 174

    7.5.1 基于 UWL 联合概率分布的多目标融合 174

    7.5.2 帕累托多目标融合 176

    7.6 多目标模型训练方式 177

    7.6.1 联合训练 177

    7.6.2 交替训练 178

    7.7 小结 178

    第8 章 推荐系统的前沿实践 180

    8.1 推荐系统的应用场景 181

    8.2 推荐系统的公平性问题 182

    8.2.1 公平性策略-消除位置偏置和资源曝光偏置 182

    8.2.2 YouTube 消除位置偏置实践 187

    8.2.3 华为消除位置偏置实践--PAL 模型 188

    8.2.4 360 消除用户组偏差实践--语料采样 189

    8.2.5 360 多场景融合实践--偏置建模消除用户组偏差 191

    8.2.6 360 实践--PID 建模消除资源曝光偏置 192

    8.3 多场景融合实践 194

    8.3.1 360 多场景融合实践--将场景信息作为特征加入模型 195

    8.3.2 360 多场景融合实践--多塔结构学习各个场景 195

    8.3.3 阿里巴巴多场景融合实践--STAR 模型多场景融合 196

    8.4 知识蒸馏在推荐系统中的应用 200

    8.4.1 知识蒸馏的背景 200

    8.4.2 阿里巴巴广告知识蒸馏实践 201

    8.4.3 阿里巴巴淘宝推荐知识蒸馏实践 203

    8.4.4 爱奇艺知识蒸馏实践 205

    8.5 推荐系统的冷启动问题 206

    8.5.1 基于规则的冷启动过程 207

    8.5.2 引入辅助信息优化 Embedding冷启动 207

    8.5.3 元学习优化 Embedding冷启动 208

    8.6 深度学习模型的特征选择 216

    8.6.1 基于 L2 的特征选择 216

    8.6.2 基于 SE Block 的特征选择 216

    8.7 推荐系统的其他问题 218

    8.7.1 基于 Look-alike 解决推荐系统长尾问题 218

    8.7.2 正负样本不平衡实践--Focal loss 221

    8.7.3 深度学习推荐系统的预训练实践 222

    8.8 小结 222

    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购