扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
现代推荐算法 版权信息
- ISBN：9787121454745
- 条形码：9787121454745 ; 978-7-121-45474-5
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
现代推荐算法 本书特色
本书不仅全面地介绍了当下前沿流行的各式推荐算法，更多的是在阐释技术的同时把作者多年作为推荐算法工程师的工作经验和技巧融合进去，提升本书的含金量，给读者能同时带去技术和职场双重收获！
得到：
→中国图象图形学学会副理事长兼秘书长 北京科技大学计算机与通信工程学院副院长|马惠敏
→张枫
→Meta Principal Scientist |刘霁
→阿里妈妈展示及内容广告算法总监|姜宇宁（孟诸）
→北京大学计算机学院助理教授、博士生导师|王鹤
五位专家倾情作序推荐，每篇推荐序都是值得我们学习的推荐典范文章，既讲述了推荐的发展历史又阐明当下推荐趋势。
也得到了：
→抖音推荐负责人|刘作涛
→字节跳动前视觉技术负责人|王长虎
→快手推荐算法副总裁|周国睿
→清华大学博士|陈晓智
→AMD高级软件研发经理|李栋
→卡耐基梅隆大学博士后 Sea AI Lab 研究员|许翔宇
→旷视科技高级研究员|刘宇
→清华大学未来实验室助理研究员|路奇
→思谋科技总经理|苏驰本书不仅全面地介绍了当下前沿流行的各式推荐算法，更多的是在阐释技术的同时把作者多年作为推荐算法工程师的工作经验和技巧融合进去，提升本书的含金量，给读者能同时带去技术和职场双重收获！
得到：
→中国图象图形学学会副理事长兼秘书长 北京科技大学计算机与通信工程学院副院长|马惠敏
→张枫
→Meta Principal Scientist |刘霁
→阿里妈妈展示及内容广告算法总监|姜宇宁（孟诸）
→北京大学计算机学院助理教授、博士生导师|王鹤
五位专家倾情作序推荐，每篇推荐序都是值得我们学习的推荐典范文章，既讲述了推荐的发展历史又阐明当下推荐趋势。
也得到了：
→抖音推荐负责人|刘作涛
→字节跳动前视觉技术负责人|王长虎
→快手推荐算法副总裁|周国睿
→清华大学博士|陈晓智
→AMD高级软件研发经理|李栋
→卡耐基梅隆大学博士后 Sea AI Lab 研究员|许翔宇
→旷视科技高级研究员|刘宇
→清华大学未来实验室助理研究员|路奇
→思谋科技总经理|苏驰
九位专家的鼎力推荐，诚心道出对本书的赞赏与评价，供读者品鉴。
现代推荐算法 内容简介
本书深入全面地讲解了现代推荐算法，同时兼顾深度和广度，介绍了当下较前沿、优选的各类算法及其实践。本书从总览篇开始，介绍推荐系统的基本概念及工作环节。在模型篇中，除了梳理推荐系统的发展史，本书还重点讲解面向工业实践的选择及改进，为读者打下推荐系统的算法基础；进而带着读者进阶到前沿篇、难点篇，面对推荐系统中的各式问题，给出解决方案；*后在决策篇中，从技术原理和用户心理出发，解释一些常见决策背后的依据，从而帮助读者从执行层面进阶到决策层面，建立大局观。本书力求用简洁易懂的语言说清核心原理，对已经有一定机器学习概念和数学基础的学生和相关领域的从业者非常友好，特别适合推荐系统、计算广告和搜索领域的从业者及学生拓展新知和项目实战
现代推荐算法 目录
总览篇
第 1 章 推荐系统概述 ............................................................................................. 2
1.1 推荐系统是什么 .......................................................................................... 2
1.2 推荐系统发展的天时、地利、人和 .......................................................... 4
1.2.1 天时 .................................................................................................. 6
1.2.2 地利 .................................................................................................. 6
1.2.3 人和 .................................................................................................. 7
第 2 章 现代推荐链路 ............................................................................................. 9
2.1 召回、粗排、精排——各有所长 .............................................................. 9
2.2 召回、粗排、精排——级联漏斗 ............................................................ 13
2.3 打压、保送、重排——拍不完的脑袋 .................................................... 20
模型篇
第 3 章 精排之锋 ................................................................................................... 25
3.1 简单“复读机”——逻辑回归模型 ........................................................ 25
3.2 工业逻辑回归模型的稀疏性要求 ............................................................ 29
3.3 FM 的一小步，泛化的一大步 ................................................................. 34
3.4 多彩的 FNN/PNN/ONN/NFM 世界 ......................................................... 37
3.5 高阶交叉 ................................................................................................... 41
3.6 工具人 GBDT ............................................................................................ 45
3.7 嵌入表示亦福亦祸，树模型的新机遇 .................................................... 49
3.8 DNN 与两大门派，“一念神魔”与功不唐捐 ........................................ 53
3.9 再论特征与嵌入生成 ................................................................................ 58
3.10 机器学习指定王牌技术——注意力机制 ...................................... 62
3.11 注意力机制的几种写法 .......................................................................... 65
3.12 Transformer 的升维打击 ......................................................................... 69
第 4 章 粗排之柔 ................................................................................................... 72
4.1 粗排存在与否的必要性 ............................................................................ 73
4.2 粗排复杂化的方法 .................................................................................... 73
4.3 Pair-wise 与 List-wise ................................................................................ 74
第 5 章 召回之厚 ................................................................................................... 76
5.1 u2i 之双塔进击史 ..................................................................................... 76
5.2 i2i 及 u2u2i 方案 ....................................................................................... 81
5.3 近似搜索概览 ............................................................................................ 85
5.3.1 向量量化类方法 ............................................................................ 86
5.3.2 基于图的搜索 ................................................................................ 87
5.4 树模型与类树模型的冲击 ........................................................................ 89
第 6 章 模型迭代的术与道 .................................................................................... 93
6.1 什么是“老汤模型” ................................................................................ 93
6.2 模型迭代的“术” .................................................................................... 96
6.3 模型迭代的“道” .................................................................................... 98
前沿篇
第 7 章 用户兴趣建模 ......................................................................................... 101
7.1 从百到万的用户长期兴趣建模 .............................................................. 101
7.1.1 从百到千 ...................................................................................... 102
7.1.2 从千到万 ...................................................................................... 102
7.2 用户多峰兴趣建模 .................................................................................. 104
第 8 章 多任务学习 ............................................................................................. 107
8.1 多任务学习的实践意义 .......................................................................... 107
8.2 多任务学习的基本框架 .......................................................................... 110
8.3 平行关系建模——MMoE 类方法 ......................................................... 113
8.4 非平行关系建模，任务间的因果 .......................................................... 117
第 9 章 非梯度场景 ............................................................................................. 121
9.1 线上与线下的鸿沟 .................................................................................. 121
9.2 弱个性化 CEM，强个性化强化学习 .................................................... 124
9.3 探微参数与性能的关系，把点连成面 .................................................. 128
第 10 章 探索与利用 ........................................................................................... 133
10.1 为什么要探索与利用 ............................................................................ 133
10.2 探索的本质是巧妙“贪心” ................................................................ 136
第 11 章 后精排环节 ........................................................................................... 139
11.1 定义多样性问题，简单的形式与复杂的标准 .................................... 139
11.2 DPP 算法与多样性 ............................................................................... 142
11.3 考虑上下文的重排序 ............................................................................ 144
第 12 章 推荐中的偏差与消除............................................................................. 147
12.1 各种各样的偏差 .................................................................................... 147
12.2 流行度偏差的消除 ................................................................................ 148
12.3 位置偏差的消除 .................................................................................... 151
第 13 章 自动机器学习技术 ................................................................................ 155
13.1 网络结构搜索与网络微操的探索 ........................................................ 155
13.2 特征的搜索 ............................................................................................ 159
13.3 模型压缩 ............................................................................................... 161
第 14 章 图计算 .................................................................................................. 165
14.1 数据结构的终极 .................................................................................... 165
14.2 GNN 的极简发展史 .............................................................................. 168
14.3 物料非原子化，建模转向图 ................................................................ 171
难点篇
第 15 章 延迟转化 ............................................................................................... 175
15.1 转化与广告机制 ................
第 1 章 推荐系统概述 ............................................................................................. 2
1.1 推荐系统是什么 .......................................................................................... 2
1.2 推荐系统发展的天时、地利、人和 .......................................................... 4
1.2.1 天时 .................................................................................................. 6
1.2.2 地利 .................................................................................................. 6
1.2.3 人和 .................................................................................................. 7
第 2 章 现代推荐链路 ............................................................................................. 9
2.1 召回、粗排、精排——各有所长 .............................................................. 9
2.2 召回、粗排、精排——级联漏斗 ............................................................ 13
2.3 打压、保送、重排——拍不完的脑袋 .................................................... 20
模型篇
第 3 章 精排之锋 ................................................................................................... 25
3.1 简单“复读机”——逻辑回归模型 ........................................................ 25
3.2 工业逻辑回归模型的稀疏性要求 ............................................................ 29
3.3 FM 的一小步，泛化的一大步 ................................................................. 34
3.4 多彩的 FNN/PNN/ONN/NFM 世界 ......................................................... 37
3.5 高阶交叉 ................................................................................................... 41
3.6 工具人 GBDT ............................................................................................ 45
3.7 嵌入表示亦福亦祸，树模型的新机遇 .................................................... 49
3.8 DNN 与两大门派，“一念神魔”与功不唐捐 ........................................ 53
3.9 再论特征与嵌入生成 ................................................................................ 58
3.10 机器学习指定王牌技术——注意力机制 ...................................... 62
3.11 注意力机制的几种写法 .......................................................................... 65
3.12 Transformer 的升维打击 ......................................................................... 69
第 4 章 粗排之柔 ................................................................................................... 72
4.1 粗排存在与否的必要性 ............................................................................ 73
4.2 粗排复杂化的方法 .................................................................................... 73
4.3 Pair-wise 与 List-wise ................................................................................ 74
第 5 章 召回之厚 ................................................................................................... 76
5.1 u2i 之双塔进击史 ..................................................................................... 76
5.2 i2i 及 u2u2i 方案 ....................................................................................... 81
5.3 近似搜索概览 ............................................................................................ 85
5.3.1 向量量化类方法 ............................................................................ 86
5.3.2 基于图的搜索 ................................................................................ 87
5.4 树模型与类树模型的冲击 ........................................................................ 89
第 6 章 模型迭代的术与道 .................................................................................... 93
6.1 什么是“老汤模型” ................................................................................ 93
6.2 模型迭代的“术” .................................................................................... 96
6.3 模型迭代的“道” .................................................................................... 98
前沿篇
第 7 章 用户兴趣建模 ......................................................................................... 101
7.1 从百到万的用户长期兴趣建模 .............................................................. 101
7.1.1 从百到千 ...................................................................................... 102
7.1.2 从千到万 ...................................................................................... 102
7.2 用户多峰兴趣建模 .................................................................................. 104
第 8 章 多任务学习 ............................................................................................. 107
8.1 多任务学习的实践意义 .......................................................................... 107
8.2 多任务学习的基本框架 .......................................................................... 110
8.3 平行关系建模——MMoE 类方法 ......................................................... 113
8.4 非平行关系建模，任务间的因果 .......................................................... 117
第 9 章 非梯度场景 ............................................................................................. 121
9.1 线上与线下的鸿沟 .................................................................................. 121
9.2 弱个性化 CEM，强个性化强化学习 .................................................... 124
9.3 探微参数与性能的关系，把点连成面 .................................................. 128
第 10 章 探索与利用 ........................................................................................... 133
10.1 为什么要探索与利用 ............................................................................ 133
10.2 探索的本质是巧妙“贪心” ................................................................ 136
第 11 章 后精排环节 ........................................................................................... 139
11.1 定义多样性问题，简单的形式与复杂的标准 .................................... 139
11.2 DPP 算法与多样性 ............................................................................... 142
11.3 考虑上下文的重排序 ............................................................................ 144
第 12 章 推荐中的偏差与消除............................................................................. 147
12.1 各种各样的偏差 .................................................................................... 147
12.2 流行度偏差的消除 ................................................................................ 148
12.3 位置偏差的消除 .................................................................................... 151
第 13 章 自动机器学习技术 ................................................................................ 155
13.1 网络结构搜索与网络微操的探索 ........................................................ 155
13.2 特征的搜索 ............................................................................................ 159
13.3 模型压缩 ............................................................................................... 161
第 14 章 图计算 .................................................................................................. 165
14.1 数据结构的终极 .................................................................................... 165
14.2 GNN 的极简发展史 .............................................................................. 168
14.3 物料非原子化，建模转向图 ................................................................ 171
难点篇
第 15 章 延迟转化 ............................................................................................... 175
15.1 转化与广告机制 ................
展开全部
现代推荐算法 相关资料
《现代推荐算法》这本书，对现代推荐领域的技术和应用进行了重新梳理。本书从应用需求和实际问题出发，翔实地介绍了推荐系统环节、具体算法模型、前沿技术与方向。此外，本书还包含解决冷启动等难点问题的技巧，多种技术选型的讨论，以及产品运营决策的建议。
——中国图象图形学学会副理事长兼秘书长 北京科技大学计算机与通信工程学院副院长|马惠敏
《现代推荐算法》这本书很难得地从当前互联网主流产品和推荐系统的真实问题出发，总结了包含阿里巴巴、字节跳动等公司公开的技术进展，更适合当下一线的推荐算法从业者阅读。
——张枫
这本书从实践出发，比较全面地涵盖了近几年前沿的推荐技术的发展，深入浅出，兼顾了前沿性、实用性和严谨性，是不可多得的推荐领域入门教材。即便对像我这样具备一定从业经验的人来说，在读到很多章节时也受益匪浅。
后希望这本书能够为大家顺利打开进入推荐行业的大门。
——Meta Principal Scientist |刘霁
本书由水哥（赵致辰）撰写，他是我在字节跳动的同事和朋友。他不仅有丰富的计算机视觉和推荐系统的研发经验，还是一个有敏锐洞察力和创造力的人。他能够将的研究成果转化为实际应用，并且能够清晰地阐述自己的思路和方法。这本书就是他对推荐系统领域的总结和分享。本书涵盖了从基础理论到前沿技术，从工程实践到业界案例，从数学公式到代码实现等方面的内容，既适合初学者作为入门教材，也适合进阶者作为参考资料。
——阿里妈妈展示及内容广告算法总监|姜宇宁（孟诸）
从内容上讲，这本书以推荐系统的视角，从理论到实践，从算法到工程，从技术到商业，全面讲解了推荐系统的方方面面。这使得读者不仅能够了解推荐系统的原理，还能掌握实际应用的技巧，对工业界人士和感兴趣的同学们来说都是极具参考价值的。
——北京大学计算机学院助理教授、博士生导师|王鹤
当下，推荐算法已经得到非常广泛的应用，进而影响到大家生活的很多方面，也或改变、或更新了很多商业模式。相应地，人们对推荐系统的需求和复杂度的要求达到了一个前所未有的高度，推荐系统所用的技术正在经历巨大的变革。作为推荐领域的从业者，我们需要重新审视和理解推荐系统，本书的出版恰合时宜。本书全面地阐述了大规模现代推荐系统所遇到的各种问题，包括其难点和痛点，同时细致地介绍了前沿算法、业界新进展及作者本人的深度思考。我相信本书对推荐领域的从业者在业务知识的补充和职业方向的选择等方面会有很不错的助益。
——抖音推荐负责人|刘作涛
本书是一部探讨推荐系统核心技术与实践应用的精彩之作。作者以在字节跳动广告推荐领域的实战经验为基础，在本书中生动地阐述了推荐系统的全链路及模型，以及其对前沿技术的独到见解。本书既有理论深度，又有实践指导价值，强烈建议给关心推荐系统研究与应用的朋友们阅读。
——字节跳动前视觉技术负责人|王长虎
通读本书，不仅能领略推荐系统的发展进程，理解各阶段的技术思路，还能在各个细节之处发现惊喜。本书蕴含诸多独到的见解，值得用心体会。
——快手推荐算法副总裁|周国睿
与诸如计算机视觉等机器学习不同，推荐面对的对象不是客观的物体，而是用户。在互联网时代，对用户的理解是不可或缺的。本书凝结了作者对推荐领域的思考、对用户的认识，内含作者的独到见解，读后有很大帮助。
——清华大学博士|陈晓智
本书深入浅出地介绍了现代推荐系统的核心技术，全面剖析了推荐系统的基础模型、技术前沿和难点问题。本书行文幽默诙谐、言必有物，是一本难得的推荐系统入门和工业实战佳作。
——AMD 高级软件研发经理|李栋
《现代推荐算法》一书以通俗易懂的语言解释了推荐系统中的各种复杂技术和算法，凝结了作者在该领域的长期积累和深刻洞见，非常适合于想要学习推荐系统的初学者和从业人员，它不仅可以帮助读者建立推荐系统的基础知识，还可以帮助读者深入了解推荐系统的各种算法和应用场景，我强烈推荐这本书给所有对推荐系统感兴趣的读者。
——卡耐基梅隆大学博士后 Sea AI Lab 研究员|许翔宇
本书深入浅出地介绍了推荐系统的理论知识及产品应用，新手能从中学习到丰富的推荐系统知识，已经从事推荐行业多年的人再读也会颇有启发。我诚挚地向想了解推荐系统和想进一步深入研究推荐系统的读者推荐此书。
——旷视科技高级研究员|刘宇
阅读本书使得我们对互联网推荐系统有了更加深刻的理解，本书内容覆盖全面，从技术架构、算法细节到用户理解、运营逻辑等均有涉猎，对于相关从业人员的进阶修炼大有益处，同时也为广大普通用户了解自己常用的信息获取平台的背后推荐机制提供了有效入口。
——清华大学未来实验室助理研究员|路奇
对于想要深入了解推荐系统的人来说，《现代推荐算法》这本书是一个非常好的选择。该书介绍了推荐系统的基本原理、常用算法以及实现技术，并提供了详细的案例研究和实践经验。无论你是一名学生、研究人员还是工程师，这本书都会为你提供丰富的知识和实用的指导，让你能够更好地设计和实现推荐系统，为用户提供更好的推荐服务。
——思谋科技总经理|苏驰
现代推荐算法 作者简介
赵致辰 本硕毕业于清华大学电子工程系。主要研究方向包括动作识别、人脸识别、广告和推荐中的排序模型及冷启动问题等，发表相关学术领域论文7篇。曾从事移动端人脸识别工作，开发的红外人脸识别算法应用于国内多款手机；在推荐领域，提出的“POSO”模型在用户冷启动问题上取得突破性收益，已经在业界广泛应用，国内外多家公司与产品如TikTok、快手、Meta等都在以POSO为原型探索冷启动模型。
书友推荐
- >
自卑与超越
自卑与超越
¥17.1¥39.8 - >
中国人在乌苏里边疆区:历史与人类学概述
中国人在乌苏里边疆区:历史与人类学概述
¥20.6¥48.0 - >
唐代进士录
唐代进士录
¥15.1¥39.8 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥19.2¥45.8 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥15.5¥39.8 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥13.0¥26.0 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8
