推荐系统

定　价：¥99.00

作　者：	陈开江
出版社：	电子工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787121354724	出版时间：	2019-10-01	包装：
开本：	16开	页数：	388	字数：

内容简介

　　本书是一本关于推荐系统产品如何落地的综合图书，内容覆盖产品、算法、工程、团队和个人成长。书中不仅梳理了从事推荐系统工作需要具备的思维模式和需要了解的问题类型，还从产品和商业角度分析了当前*火爆的信息流内在逻辑。本书用非常通俗易懂的方式介绍了推荐系统的经典算法原理，并有相应的配套实践代码，以帮助初入门的算法工程师快速上手。除了推荐算法，书中还包含一些不属于推荐算法但是很常见的实用算法。除算法原理之外，还有典型的工程架构描述，以及架构内部的具体模块细节描述。这些都是在设计推荐系统的过程中不可或缺而又不容易在公开场合获得的内容。此外，本书还涉及一部分推荐系统安全相关的知识，以及团队搭建经验和个人成长心得。本书适合以推荐系统为代表的效果类产品从业者阅读，包括决策者，以及产品、算法、架构、安全、运营人员。这是一本可以架起不同工种之间友好沟通桥梁的书。

作者简介

　　陈开江，偶以“刑无刀”的名义“出没江湖”，初于北京理工大学学习自然语言处理，先后任职于新浪微博、车语传媒、贝壳找房等公司，做自然语言处理及推荐系统开发等工作，也曾有两三年与推荐系统有关的创业经验。有译著《机器学习：实用案例解析》，在公众号ResysChina上发表过推荐系统系列文章，在极客时间开设有《推荐系统36式》付费专栏。

图书目录

目录
1 概念与思维\t1
1．1 该要推荐系统吗\t2
1．1．1 什么是推荐系统\t2
1．1．2 是否需要推荐系统\t4
1．1．3 小结\t5
1．2 问题模式有哪些\t7
1．2．1 预测问题模式\t7
1．2．2 几个常见顽疾\t10
1．2．3 小结\t12
1．3 要具有什么样的思维模式\t13
1．3．1 关键元素\t13
1．3．2 思维模式\t15
1．3．3 小结\t19
2 产品漫谈\t21
2．1 推荐系统的价值和成本\t22
2．1．1 价值\t22
2．1．2 成本\t25
2．1．3 小结\t27
2．2 信息流简史\t28
2．2．1 前世今生\t28
2．2．2 配套设施\t29
2．2．3 小结\t33
3 内容推荐\t35
3．1 用户画像简介\t36
3．1．1 什么是用户画像\t36
3．1．2 关键因素\t38
3．1．3 构建方法\t40
3．1．4 小结\t41
3．2 标签挖掘技术\t42
3．2．1 挖掘标签的物料\t42
3．2．2 标签库该有的样子\t43
3．2．3 标签挖掘方法\t45
3．2．4 小结\t76
3．3 基于内容的推荐\t78
3．3．1 为什么要做好内容推荐\t78
3．3．2 基于内容的推荐系统\t79
3．3．3 小结\t83
4 近邻推荐\t85
4．1 基于用户的协同过滤算法\t86
4．1．1 协同过滤算法\t86
4．1．2 基于用户的协同过滤算法原理\t87
4．1．3 应用场景\t98
4．1．4 小结\t99
4．2 基于物品的协同过滤算法\t100
4．2．1 常见的应用场景\t100
4．2．2 算法原理\t101
4．2．3 小结\t110
4．3 相似度算法一览\t111
4．3．1 相似度的本质\t111
4．3．2 相似度计算方法\t112
4．3．3 向量化计算\t115
4．3．4 小结\t117
5 矩阵分解\t119
5．1 SVD算法\t120
5．1．1 历史背景\t120
5．1．2 首谈矩阵分解\t121
5．1．3 小结\t129
5．2 ALS算法\t130
5．2．1 再谈矩阵分解\t130
5．2．2 ALS算法原理\t131
5．2．3 隐式反馈\t132
5．2．4 推荐计算\t136
5．2．5 小结\t137
5．3 BPR算法\t138
5．3．1 三谈矩阵分解\t138
5．3．2 贝叶斯个性化排序\t139
5．3．3 小结\t146
6 模型融合\t147
6．1 线性模型和树模型\t148
6．1．1 为什么要融合\t148
6．1．2 “辑度组合”原理\t150
6．1．3 小结\t163
6．2 因子分解机\t164
6．2．1 从特征组合说起\t164
6．2．2 因子分解机详解\t165
6．2．3 小结\t173
6．3 Wide＆Deep模型\t174
6．3．1 要“深”还是要“宽”\t174
6．3．2 Wide ＆ Deep模型详解\t175
6．3．3 几点技巧\t180
6．3．4 模型实例\t182
6．3．5 小结\t186
7 探索和利用\t189
7．1 MAB问题与Bandit算法\t190
7．1．1 推荐即选择\t190
7．1．2 MAB问题\t191
7．1．3 Bandit算法\t192
7．1．4 冷启动\t201
7．1．5 小结\t201
7．2 加入特征的UCB算法\t202
7．2．1 UCB算法回顾\t202
7．2．2 LinUCB算法\t203
7．2．3 构建特征\t209
7．2．4 小结\t211
7．3 Bandit算法与协同过滤算法\t212
7．3．1 信息茧房\t212
7．3．2 COFIBA算法\t213
7．3．3 再谈EE问题\t222
7．3．4 小结\t223
8 深度学习\t225
8．1 深度隐因子\t226
8．1．1 深度学习与推荐系统\t226
8．1．2 各种“2Vec”\t229
8．1．3 深度Embedding\t232
8．1．4 深度学习与视频推荐\t236
8．1．5 小结\t238
8．2 深度CTR预估\t239
8．2．1 深度学习与CTR预估\t239
8．2．2 CTR预估\t240
8．2．3 小结\t248
9 其他算法\t249
9．1 排行榜\t250
9．1．1 为什么要有排行榜\t250
9．1．2 排行榜算法\t251
9．1．3 小结\t257
9．2 采样算法\t259
9．2．1 有限数据集\t260
9．2．2 无限数据集\t262
9．2．3 小结\t263
9．3 重复检测\t264
9．3．1 生产端的重复检测\t264
9．3．2 消费端的重复检测\t266
9．3．3 小结\t268
10 架构总览\t269
10．1 信息流推荐架构\t270
10．1．1 信息流的种类\t270
10．1．2 抓取聚合信息流\t271
10．1．3 社交动态信息流\t274
10．1．4 小结\t281
10．2 个性化首页架构\t282
10．2．1 架构的特质\t282
10．2．2 Netflix的个性化首页架构\t282
10．2．3 简化推荐系统架构\t287
10．2．4 小结\t289
10．3 搜索引擎、推荐系统及广告系统\t290
10．3．1 异同对比\t290
10．3．2 三者的架构\t292
10．3．3 三者的协同\t294
10．3．4 小结\t294
11 关键模块\t297
11．1 日志收集\t298
11．1．1 日志的用途\t298
11．1．2 详细方案\t299
11．1．3 小结\t305
11．2 实时推荐\t306
11．2．1 实时的层次\t306
11．2．2 实时推荐要点\t307
11．2．3 小结\t318
11．3 AB实验\t319
11．3．1 AB实验是什么\t319
11．3．2 AB实验框架\t321
11．3．3 实验数据分析\t327
11．3．4 小结\t331
11．4 推荐服务\t332
11．4．1 服务\t332
11．4．2 存储\t332
11．4．3 API\t336
11．4．4 小结\t340
11．5 开源工具\t341
11．5．1 不重复造轮子\t341
11．5．2 内容分析\t342
11．5．3 协同过滤和矩阵分解\t342
11．5．4 模型融合\t344
11．5．5 Web服务框架\t344
11．5．6 其他算法\t345
11．5．7 完整推荐系统\t345
11．5．8 小结\t345
12 效果保证\t347
12．1 测试及常用指标\t348
12．1．1 测试方法\t348
12．1．2 检测指标\t351
12．1．3 小结\t356
12．2 推荐系统的安全\t357
12．2．1 攻击手段\t357
12．2．2 防护方式\t360
12．2．3 小结\t362
13 团队与个人\t363
13．1 团队组建\t364
13．2 个人成长\t367
13．3 小结\t370