扫一扫
关注中图网
官方微博
>
大模型推荐系统:算法原理、代码实战与案例分析
本类五星书更多>
-
>
(精)方力钧作品图录
-
>
《藏书报》2021合订本
-
>
中外性文物大观
-
>
马克思主义经典著作解读丛书·探索人类解放的新路径《1844年经济学哲学手稿》解读
-
>
襄阳府志(九品)
-
>
奇思妙想创意玩具书(精装4册)
-
>
大慈恩寺
大模型推荐系统:算法原理、代码实战与案例分析 版权信息
- ISBN：9787121488474
- 条形码：9787121488474 ; 978-7-121-48847-4
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：
大模型推荐系统:算法原理、代码实战与案例分析 本书特色
详解大模型在推荐系统中应用的4 种范式。 4种范式的算法原理、应用案例与代码实现。 利用大模型解决电商推荐场景中的7类问题。 提供将大模型推荐系统更好应用于工业界的思路和方法。 读者群中获取本书参考资料，GitHub中下载全书代码。
大模型推荐系统:算法原理、代码实战与案例分析 内容简介
大模型技术掀起了新一轮人工智能浪潮，以ChatGPT 为核心的大模型相关技术可以应用于搜索、对话、内容创作等众多领域，在推荐系统领域的应用也不例外。本书主要分为3部分。第1部分简单介绍大模型相关技术，包括大模型的预训练、微调、在线学习、推理、部署等。第2部分将大模型在传统推荐系统中的应用抽象为4种范式――生成范式、预训练范式、微调范式、直接推荐范式，并对每种范式给出算法原理说明、案例讲解和代码实现。第3部分以电商场景为例，讲解大模型在电商中的7种应用，包括生成用户兴趣画像、生成个性化商品描述信息、猜你喜欢推荐、关联推荐、冷启动问题、推荐解释和对话式推荐，每种应用场景都包含完整的步骤说明和详细的代码实现，手把手教你构建大模型推荐系统。
大模型推荐系统:算法原理、代码实战与案例分析 目录
01 基础知识 1
1.1 大模型相关资源 1
1.1.1 可用的模型及API 1
1.1.2 数据资源 3
1.1.3 软件资源 5
1.1.4 硬件资源 5
1.2 大模型预训练 5
1.2.1 数据收集与预处理 5
1.2.2 确定模型架构 7
1.2.3 确定目标函数及预训练 9
1.2.4 解码策略 10
1.3 大模型微调 13
1.3.1 微调原理 13
1.3.2 指令微调 14
1.3.3 对齐微调 17
1.4 大模型在线学习 21
1.4.1 提示词 21
1.4.2 上下文学习 23
1.4.3 思维链提示词 24
1.4.4 规划 26
1.5 大模型推理 27
1.5.1 高效推理技术 28
1.5.2 高效推理软件工具 29
1.6 总结 30
02 数据准备与开发环境准备 31
2.1 MIND数据集介绍 31
2.2 Amazon电商数据集介绍 34
2.3 开发环境准备 36
2.3.1 搭建CUDA开发环境 37
2.3.2 搭建MacBook 开发环境 40
2.4 总结 42
03 大模型推荐系统的数据来源、一般思路和4种范式 43
3.1 大模型推荐系统的数据来源 43
3.1.1 大模型相关的数据 44
3.1.2 新闻推荐系统相关的数据 44
3.1.3 将推荐数据编码为大模型可用数据 45
3.2 将大模型用于推荐的一般思路 46
3.3 将大模型应用于推荐的4种范式 46
3.3.1 基于大模型的生成范式 47
3.3.2 基于PLM的预训练范式 47
3.3.3 基于大模型的微调范式 48
3.3.4 基于大模型的直接推荐范式 49
3.4 总结 50
04 生成范式：大模型生成特征、训练数据与物品 51
4.1 大模型生成嵌入特征 51
4.1.1 嵌入的价值 51
4.1.2 嵌入方法介绍 52
4.2 大模型生成文本特征 57
4.2.1 生成文本特征 57
4.2.2 生成文本特征的其他方法 63
4.3 大模型生成训练数据 66
4.3.1 大模型直接生成表格类数据 66
4.3.2 大模型生成监督样本数据 67
4.4 大模型生成待推荐物品 69
4.4.1 为用户生成个性化新闻 69
4.4.2 生成个性化的视频 74
4.5 总结 77
05 预训练范式：通过大模型预训练进行推荐 78
5.1 预训练的一般思路和方法 78
5.1.1 预训练数据准备 78
5.1.2 大模型架构选择 79
5.1.3 大模型预训练 81
5.1.4 大模型推理（用于推荐） 82
5.2 案例讲解 84
5.2.1 基于PTUM架构的预训练推荐系统 84
5.2.2 基于P5的预训练推荐系统 86
5.3 基于MIND数据集的代码实战 91
5.3.1 预训练数据集准备 91
5.3.2 模型预训练 98
5.3.3 模型推理与验证 102
5.4 总结 104
06 微调范式：微调大模型进行个性化推荐 106
6.1 微调的方法 106
6.1.1 微调的价值 106
6.1.2 微调的步骤 107
6.1.3 微调的方法 111
6.1.4 微调的困难与挑战 113
6.2 案例讲解 114
6.2.1 TALLRec微调框架 114
6.2.2 GIRL：基于人类反馈的微调框架 117
6.3 基于MIND数据集实现微调 120
6.3.1 微调数据准备 120
6.3.2 模型微调 122
6.3.3 模型推断 130
6.4 总结 134
07 直接推荐范式：利用大模型的上下文学习进行推荐 135
7.1 上下文学习推荐基本原理 135
7.2 案例讲解 136
7.2.1 LLMRank实现案例 137
7.2.2 多任务实现案例 139
7.2.3 NIR实现案例 141
7.3 上下文学习推荐代码实现 142
7.3.1 数据准备 142
7.3.2 代码实现 145
7.4 总结 157
08 实战案例：大模型在电商推荐中的应用 158
8.1 大模型赋能电商推荐系统 158
8.2 新的交互式推荐范式 161
8.2.1 交互式智能体的架构 161
8.2.2 淘宝问问简介 162
8.3 大模型生成用户兴趣画像 164
8.3.1 基础原理与步骤介绍 164
8.3.2 数据预处理 165
8.3.3 代码实现 168
8.4 大模型生成个性化商品描述信息 178
8.4.1 基础原理与步骤介绍 178
8.4.2 数据预处理 179
8.4.3 代码实现 184
8.5 大模型应用于电商猜你喜欢推荐 196
8.5.1 数据预处理 196
8.5.2 模型微调 199
8.5.3 模型效果评估 205
8.6 大模型应用于电商关联推荐 209
8.6.1 数据预处理 209
8.6.2 多路召回实现 214
8.6.3 相似度排序实现 216
8.6.4 排序模型效果评估 219
8.7 大模型如何解决电商冷启动问题 221
8.7.1 数据准备 221
8.7.2 利用大模型生成冷启动商品的行为样本 226
8.7.3 利用大模型上下文学习能力推荐冷启动商品 228
8.7.4 模型微调 232
8.7.5 模型效果评估 232
8.8 利用大模型进行推荐解释，提升推荐说服力 237
8.8.1 数据准备 237
8.8.2 利用大模型上下文学习能力进行推荐解释 244
8.8.3 模型微调 248
8.8.4 模型效果评估 256
8.9 利用大模型进行对话式推荐 257
8.9.1 对话式大模型推荐系统的架构 257
8.9.2 数据准备 258
8.9.3 代码实现 260
8.9.4 对话式推荐案例 268
8.10 总结 269
09 工程实践：大模型落地真实业务场景 271
9.1 大模型推荐系统如何进行高效预训练和推理 271
9.1.1 模型高效训练 272
9.1.2 模型高效推理 273
9.1.3 模型服务部署 274
9.1.4 硬件选择建议 275
9.2 大模型落地企业级推荐系统的思考 275
9.2.1 如何将推荐算法嵌入大模型框架 275
9.2.2 大模型特性给落地推荐系统带来的挑战 276
9.2.3 大模型相关的技术人才匮乏 276
9.2.4 大模型推荐系统与传统推荐系统的关系 277
9.2.5 大模型推荐系统的投资回报率分析 277
9.2.6 大模型落地推荐场景的建议 277
9.3 总结 278
后记 279
1.1 大模型相关资源 1
1.1.1 可用的模型及API 1
1.1.2 数据资源 3
1.1.3 软件资源 5
1.1.4 硬件资源 5
1.2 大模型预训练 5
1.2.1 数据收集与预处理 5
1.2.2 确定模型架构 7
1.2.3 确定目标函数及预训练 9
1.2.4 解码策略 10
1.3 大模型微调 13
1.3.1 微调原理 13
1.3.2 指令微调 14
1.3.3 对齐微调 17
1.4 大模型在线学习 21
1.4.1 提示词 21
1.4.2 上下文学习 23
1.4.3 思维链提示词 24
1.4.4 规划 26
1.5 大模型推理 27
1.5.1 高效推理技术 28
1.5.2 高效推理软件工具 29
1.6 总结 30
02 数据准备与开发环境准备 31
2.1 MIND数据集介绍 31
2.2 Amazon电商数据集介绍 34
2.3 开发环境准备 36
2.3.1 搭建CUDA开发环境 37
2.3.2 搭建MacBook 开发环境 40
2.4 总结 42
03 大模型推荐系统的数据来源、一般思路和4种范式 43
3.1 大模型推荐系统的数据来源 43
3.1.1 大模型相关的数据 44
3.1.2 新闻推荐系统相关的数据 44
3.1.3 将推荐数据编码为大模型可用数据 45
3.2 将大模型用于推荐的一般思路 46
3.3 将大模型应用于推荐的4种范式 46
3.3.1 基于大模型的生成范式 47
3.3.2 基于PLM的预训练范式 47
3.3.3 基于大模型的微调范式 48
3.3.4 基于大模型的直接推荐范式 49
3.4 总结 50
04 生成范式：大模型生成特征、训练数据与物品 51
4.1 大模型生成嵌入特征 51
4.1.1 嵌入的价值 51
4.1.2 嵌入方法介绍 52
4.2 大模型生成文本特征 57
4.2.1 生成文本特征 57
4.2.2 生成文本特征的其他方法 63
4.3 大模型生成训练数据 66
4.3.1 大模型直接生成表格类数据 66
4.3.2 大模型生成监督样本数据 67
4.4 大模型生成待推荐物品 69
4.4.1 为用户生成个性化新闻 69
4.4.2 生成个性化的视频 74
4.5 总结 77
05 预训练范式：通过大模型预训练进行推荐 78
5.1 预训练的一般思路和方法 78
5.1.1 预训练数据准备 78
5.1.2 大模型架构选择 79
5.1.3 大模型预训练 81
5.1.4 大模型推理（用于推荐） 82
5.2 案例讲解 84
5.2.1 基于PTUM架构的预训练推荐系统 84
5.2.2 基于P5的预训练推荐系统 86
5.3 基于MIND数据集的代码实战 91
5.3.1 预训练数据集准备 91
5.3.2 模型预训练 98
5.3.3 模型推理与验证 102
5.4 总结 104
06 微调范式：微调大模型进行个性化推荐 106
6.1 微调的方法 106
6.1.1 微调的价值 106
6.1.2 微调的步骤 107
6.1.3 微调的方法 111
6.1.4 微调的困难与挑战 113
6.2 案例讲解 114
6.2.1 TALLRec微调框架 114
6.2.2 GIRL：基于人类反馈的微调框架 117
6.3 基于MIND数据集实现微调 120
6.3.1 微调数据准备 120
6.3.2 模型微调 122
6.3.3 模型推断 130
6.4 总结 134
07 直接推荐范式：利用大模型的上下文学习进行推荐 135
7.1 上下文学习推荐基本原理 135
7.2 案例讲解 136
7.2.1 LLMRank实现案例 137
7.2.2 多任务实现案例 139
7.2.3 NIR实现案例 141
7.3 上下文学习推荐代码实现 142
7.3.1 数据准备 142
7.3.2 代码实现 145
7.4 总结 157
08 实战案例：大模型在电商推荐中的应用 158
8.1 大模型赋能电商推荐系统 158
8.2 新的交互式推荐范式 161
8.2.1 交互式智能体的架构 161
8.2.2 淘宝问问简介 162
8.3 大模型生成用户兴趣画像 164
8.3.1 基础原理与步骤介绍 164
8.3.2 数据预处理 165
8.3.3 代码实现 168
8.4 大模型生成个性化商品描述信息 178
8.4.1 基础原理与步骤介绍 178
8.4.2 数据预处理 179
8.4.3 代码实现 184
8.5 大模型应用于电商猜你喜欢推荐 196
8.5.1 数据预处理 196
8.5.2 模型微调 199
8.5.3 模型效果评估 205
8.6 大模型应用于电商关联推荐 209
8.6.1 数据预处理 209
8.6.2 多路召回实现 214
8.6.3 相似度排序实现 216
8.6.4 排序模型效果评估 219
8.7 大模型如何解决电商冷启动问题 221
8.7.1 数据准备 221
8.7.2 利用大模型生成冷启动商品的行为样本 226
8.7.3 利用大模型上下文学习能力推荐冷启动商品 228
8.7.4 模型微调 232
8.7.5 模型效果评估 232
8.8 利用大模型进行推荐解释，提升推荐说服力 237
8.8.1 数据准备 237
8.8.2 利用大模型上下文学习能力进行推荐解释 244
8.8.3 模型微调 248
8.8.4 模型效果评估 256
8.9 利用大模型进行对话式推荐 257
8.9.1 对话式大模型推荐系统的架构 257
8.9.2 数据准备 258
8.9.3 代码实现 260
8.9.4 对话式推荐案例 268
8.10 总结 269
09 工程实践：大模型落地真实业务场景 271
9.1 大模型推荐系统如何进行高效预训练和推理 271
9.1.1 模型高效训练 272
9.1.2 模型高效推理 273
9.1.3 模型服务部署 274
9.1.4 硬件选择建议 275
9.2 大模型落地企业级推荐系统的思考 275
9.2.1 如何将推荐算法嵌入大模型框架 275
9.2.2 大模型特性给落地推荐系统带来的挑战 276
9.2.3 大模型相关的技术人才匮乏 276
9.2.4 大模型推荐系统与传统推荐系统的关系 277
9.2.5 大模型推荐系统的投资回报率分析 277
9.2.6 大模型落地推荐场景的建议 277
9.3 总结 278
后记 279
展开全部
大模型推荐系统:算法原理、代码实战与案例分析 相关资料
刘强和我公司有着深入的技术合作，我们将大模型技术应用在AIda中，为时尚行业打造了推荐系统和智能搭配系统，实现了传统技术路线需要花费大量的时间和成本才能实现的惊艳效果。本书是刘强将海量的大模型论文学习结合自身的大量业务实战，经过体系化梳理精粹而成的。本书内容全面，从技术理论到商业实战，是值得学习的一本书。刘强实现了大模型推荐系统的知行合一，他愿意将所学分享出来，实在是难能可贵。 吴斌，爱搭（AIda）创始人兼CEO 在这本著作中，作者深入探究了将大语言模型与推荐系统相融合的多个领域，不仅系统阐述了前沿的大模型理论知识，还提供了多样化的应用案例和生动的数据实战内容。读者可以从中领略到如何利用大模型实现更加精准、个性化且富有洞察力的推荐系统。本书是推荐系统从业者值得一读的佳作。 于敬，达观数据联合创始人，智能推荐业务总负责人 在人工智能快速发展的今天，大模型技术已成为各行各业竞争力的重要体现。作为医疗大模型“良医小慧”的负责人，我同样体会到了大模型的变革力量。刘强的这本著作恰逢其时，呈现了大模型在推荐系统领域的前沿应用。无论你是推荐系统的从业者、研究者，还是大模型应用的爱好者，本书都将成为你的得力助手。它不仅是一本理论指南，也是一本实战手册，包含用户画像、商品推荐、交互式推荐等方面的实践经验，可以帮助你快速构建基于大模型的推荐引擎。相信本书将引领读者在各自的领域中实现技术升级，开创智能推荐的新纪元。 张楠，惠灏智医CTO 自ChatGPT发布后，大语言模型技术开始渗透到各个应用领域，形成新质生产力，提供了新的研究思路和技术范式。本书系统介绍了大模型技术在推荐系统中的应用，围绕生成式范式、预训练范式、微调范式、直接推荐范式展开，包含算法原理、代码实战和工程实践。全书逻辑清晰、结构完整、内容全面，是国内较早将大模型技术应用于推荐系统领域的技术图书，值得一读。 张伟，蚂蚁集团资深算法专家，《智能风控：评分卡建模原理、方法与风控策略构建》作者 本书详细、全面地介绍了大模型的数据准备、预训练、微调等原理，通过预训练大模型进行推荐，通过微调大模型进行个性化推荐等多种方式，以及大模型在电商推荐系统中的应用案例。读者既能快速了解大模型推荐的基本原理，又能快速上手应用，是一本非常“接地气”的书，适合想要入门及深入了解大模型推荐系统的人。 李明琦，百度研发工程师 本书深入探讨了大模型技术在推荐系统领域的应用实践，系统阐述了四种核心范式：生成式、预训练、微调和直接推荐。每种范式均结合具体的应用场景，深入剖析了其算法原理、代码实现及工程应用的关键点。本书内容紧跟当前算法和工业界的前沿动态，以其全面性、条理性及技术先进性成为国内大模型技术与推荐系统应用领域较早的技术图书，能够使读者深入理解大模型技术在推荐系统中的应用，为相关领域的研究者和从业者提供了宝贵的参考资源。希望对这一领域感兴趣的读者通过阅读本书，获得更深刻的洞见和启发。 钟小琴， 叮咚买菜资深算法专家
大模型推荐系统:算法原理、代码实战与案例分析 作者简介
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《推荐系统：算法、案例与大模型》和《构建企业级推荐系统：算法、工程实现与案例分析》，参与翻译《AI革命：人工智能如何为商业赋能》《认识AI：人工智能如何赋能商业（原书第2版）》《MongoDB性能调优实战》等书。目前担任杭州数卓信息技术有限公司CEO，公司业务方向为大模型推荐系统、大模型搜索、大模型知识库等，致力于帮助企业利用大模型技术实现降本、提效与精细化运营；兼任爱搭（AIda）高级技术顾问，与爱搭一同推动推荐系统及大模型技术在行业内落地应用。
书友推荐
- >
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 - >
上帝之肋:男人的真实旅程
上帝之肋:男人的真实旅程
¥30.5¥35.0 - >
朝闻道
朝闻道
¥15.0¥23.8 - >
姑妈的宝刀
姑妈的宝刀
¥9.0¥30.0 - >
随园食单
随园食单
¥21.6¥48.0 - >
龙榆生：词曲概论/大家小书
龙榆生：词曲概论/大家小书
¥7.7¥24.0 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥15.9¥49.8 - >
我与地坛
我与地坛
¥15.4¥28.0
本类畅销
-
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206 -
4.23文创礼盒B款--“作家言我精神状态”
¥42.3¥206 -
一句顶一万句 (印签版)
¥40.4¥68 -
百年书评史散论
¥14.9¥38 -
1980年代:小说六记
¥52.8¥69 -
中图网经典初版本封面-“老人与海”冰箱贴
¥20¥40
