以往专注于算法模型或特征工程等某一细分领域推荐系统已经无法满足用户不断变化的需求。推荐系统涉及的技术越来越多。除了算法模型和特征工程，现在的推荐系统的核心还包括计算平台的优化、用户画像的构建与更新、产品策略的制定等。这些因素相互关联、相互影响，共同构成了一个完整的推荐系统生态。本书聚焦于业务场景、多层推荐框架、特征处理、测评指标定义、冷启动系统等关键问题，通过深剖析核心痛，帮读者更好地理解和应用新时代推荐系统的核心技术。掌握了这些技术，读者就可以轻松提升推荐系统的效果和性能，满足用户日益增长的个性化需求。
售 价：¥
纸质售价：¥74.20购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
PREFACE 前言
CHAPTER 1 第1章 什么是推荐系统
1.1 深度理解推荐系统
1.2 企业在构建推荐系统时会面临哪些问题
1.3 4类主流推荐系统构建点拨
1.4 推荐系统怎么拉活促销
1.5 架构和模型在推荐系统落地中的作用
CHAPTER 2 第2章 推荐系统架构
2.1 推荐系统架构概述
2.2 召回层概述
2.3 粗排层概述
2.4 精排层概述
2.5 重排层概述
2.6 冷启动环节
CHAPTER 3 第3章 构建推荐系统的特征
3.1 怎么收集数据
3.2 怎么清洗数据
3.3 怎么处理连续特征
3.4 怎么处理离散特征
CHAPTER 4 第4章 为推荐系统选择评价指标
4.1 不同业务的线上指标
4.2 精排层应该选择什么评价指标
4.3 召回层应该选择什么评价指标
4.4 重排层应该选择什么评价指标
4.5 怎么设计合理的AB实验
CHAPTER 5 第5章 机器学习模型调参
5.1 决策树调参
5.2 随机森林调参
5.3 XGBoost调参
5.4 LightGBM调参
5.5 全局优化调参
5.6 利用集成学习提高推荐效果
CHAPTER 6 第6章 神经网络模型调参
6.1 怎么对DNN调参
6.2 怎么为神经网络选择优化器
6.3 怎么为神经网络选择损失函数
6.4 怎么解决神经网络的拟合问题
CHAPTER 7 第7章 个性化召回层样本选择和模型选择
7.1 协同过滤召回
7.2 双塔召回
7.3 Word2vec在召回中的应用
7.4 基于图网络的召回
7.5 基于树网络的召回
CHAPTER 8 第8章 精排层的样本选择和模型选择
8.1 传统DNN建模
8.2 交叉模型
8.3 偏置问题
8.4 模型可解释性
8.5 因果场景
8.6 序列建模
8.7 多目标建模
CHAPTER 9 第9章 粗排层的样本选择和模型选择
9.1 蒸馏
9.2 工程优化
CHAPTER 10 第10章 重排层的设计与实现
10.1 精排数据分析
10.2 模型重排
10.3 混排
CHAPTER 11 第11章 冷启动环节的设计与实现
11.1 用户冷启动
11.2 物料冷启动
11.3 PID算法
推荐阅读
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
