掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
業務驅動的推薦系統:方法與實踐 版權信息
- ISBN：9787111720935
- 條形碼：9787111720935 ; 978-7-111-72093-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
業務驅動的推薦系統:方法與實踐 本書特色
適讀人群 ：對機器學習、推薦系統有一定基礎在校大學生、在職人員等。大數據、推薦系統的廣大愛好者。參與推薦業務的產品、運營人員。（1）作者背景資深：作者是資深推薦系統專家，曾在阿里擔任推薦和搜索方面的算法專家，是工業級高性能高維數據檢索算法NSG、SSG的發明人。 （2）內容另辟蹊徑：不以推薦算法為核心，而是從業務視角解讀推薦系統的架構設計、數據工程、算法原理，揭秘千萬級DAU工業推薦系統的構建、優化奧秘。 （3）重磅專家推薦：百度首席科學家王井東，浙江大學教授、青年973首席科學家蔡登，美國南加州大學終身教授任翔聯袂推薦。
業務驅動的推薦系統:方法與實踐 內容簡介
這是一本從業務視角解讀推薦系統架構設計、評估方法、數據工程和算法原理的著作。市面上推薦系統方面的著作，內容多以推薦技術、算法和模型為主，讓讀者誤以為掌握了推薦算法就能用好推薦系統并提升業務指標，其實推薦算法只是工具，要真正發揮推薦系統的價值，需要將推薦系統植根于業務之上。本書從業務視角出發，描繪了當下主流推薦系統的設計思想和架構全貌，重點突出系統每個模塊所需要解決的問題，進而介紹一到兩種實踐檢驗普遍有效、在學術界具備里程碑性質的算法。幫助讀者練成識別算法的火眼金睛，從每年大量產出的新算法研究中去粗取精，真正解決實際問題。閱讀本書，你將有如下收獲：從商業、運營、算法、工程視角理解推薦系統，對推薦系統的認知更加立體化；從業務視角理解推薦系統的頂層設計，掌握業務驅動的推薦系統設計思想；掌握業務驅動型推薦系統的評估方法，涵蓋B端、C端和平臺等多個維度；了解推薦系統的數據工程，掌握獲取各類數據、構建特征體系的方法；從業務視角理解召回、排序和決策智能方面的經典算法和學術界有里程碑意義的算法；從技術和業務的雙重視角去規劃推薦算法工程師的成長路徑，以達到事半功倍的效果。
業務驅動的推薦系統:方法與實踐 目錄
CONTENTS
目 錄
前言
**部分 業務驅動下的推薦系統總覽
第1章 從業務視角看推薦系統2
1.1 推薦系統的定義與商業價值2
1.1.1 推薦系統的基本概念
與業務驅動思想3
1.1.2 淺談個性化推薦帶來的
商業價值7
1.2 從運營、算法與工程視角
看推薦系統7
1.2.1 推薦業務運營思維：
貨找人8
1.2.2 推薦算法建模思維：
人找貨10
1.2.3 推薦引擎工程展望：
服務產品化11
第2章 從業務視角看推薦系統的
頂層設計12
2.1 業務驅動下的推薦系統
設計思想12
2.1.1 業務無關的推薦系統
抽象13
2.1.2 推薦算法模塊核心能力
的建設15
2.2 從系統框架透視業務生態
循環17
2.2.1 系統大圖剖析17
2.2.2 監察者：埋點日志
服務17
2.2.3 業務大腦：數據計算、
分析及倉儲服務18
2.2.4 主循環系統：召回與
排序模塊19
2.2.5 副循環系統：運營管控
與作業模塊21
2.2.6 新陳代謝：運維與實驗
平臺22
2.3 迭代效率大化：圖化服務和
配置化迭代25
第3章 評估推薦系統的方式
與維度27
3.1 業務驅動型推薦系統的評估
要點27
3.1.1 體驗優先準則和量化
方式28
3.1.2 評估推薦系統的
方法論29
3.1.3 從3種業務價值出發
設計評估體系31
3.2 B端業務：B端用戶體驗的
評估維度31
3.2.1 平臺玩法的
可解釋性31
3.2.2 投放效果的
可預測性32
3.2.3 投入產出比33
3.2.4 基尼指數34
3.3 C端業務：C端用戶體驗
的評估維度34
3.3.1 興趣相關性35
3.3.2 內容質量35
3.3.3 結果多樣性35
3.3.4 推薦驚喜性36
3.4 平臺成長：平臺價值評估
維度36
3.4.1 產品調性和品牌
印象37
3.4.2 消費與轉化率37
3.4.3 高、中、低活用戶
留存37
3.4.4 活躍用戶量38
3.5 評估方法概覽38
3.5.1 用戶調研39
3.5.2 離線評估39
3.5.3 在線評估42
3.6 AB實驗42
3.6.1 AB實驗中的流量切分
設計43
3.6.2 AB實驗的通用流程44
3.6.3 實驗結果的顯著性校驗
和關聯分析44
3.6.4 實驗報表與監控
報警45
第二部分 推薦系統的數據工程
第4章 業務標簽體系48
4.1 業務標簽體系概述48
4.1.1 業務標簽體系的
含義48
4.1.2 業務標簽體系的
價值49
4.1.3 標簽體系為什么要業務
定制化49
4.2 業務標簽體系的設計思路50
4.2.1 業務標簽體系的概念
設計50
4.2.2 業務標簽體系的系統
設計52
4.3 業務標簽的挖掘方法53
4.3.1 提取式標簽挖掘54
4.3.2 生成式標簽挖掘55
4.3.3 基于主動學習的人機
協同標注系統56
4.3.4 標簽改寫、糾錯與
聚合56
4.3.5 標簽權重計算57
4.4 業務標簽體系的評估方法58
4.4.1 離線評估58
4.4.2 在線評估59
第5章 用戶畫像：業務層面
的人格抽象60
5.1 用戶畫像概述60
5.1.1 用戶畫像的含義60
5.1.2 用戶畫像的業務價值
和算法價值61
5.2 用戶畫像設計61
5.2.1 用戶畫像概念體系
設計61
5.2.2 用戶畫像數據系統
設計64
5.3 用戶畫像的構建與迭代65
5.3.1 人工挖掘方法65
5.3.2 基于機器學習的挖掘
方法66
5.3.3 用戶畫像的優化
迭代68
5.3.4 用戶畫像權重計算70
5.4 用戶畫像的評估方法71
5.4.1 離線評估71
5.4.2 在線評估72
第6章 生態循環的血液：
數據獲取與處理73
6.1 埋點日志服務與埋點體系的
設計思想73
6.1.1 埋點日志服務簡介74
6.1.2 業務驅動的埋點體系
設計思想75
6.2 可擴展的業務埋點體系77
6.2.1 SPM埋點體系77
6.2.2 SCM埋點體系77
6.2.3 擴展埋點體系EXT78
6.2.4 會話級埋點設計與
消費路徑跟蹤78
6.3 基于埋點數據的處理和分析79
6.3.1 常見重要數據指標
釋義79
6.3.2 漏斗效應和優化
分析81
第7章 業務定制化特征和
樣本工程設計83
7.1 推薦特征體系概覽83
7.1.1 推薦特征體系簡介84
7.1.2 特征體系的設計
思想85
7.2 推薦系統特征設計及案例86
7.2.1 用戶描述性特征86
7.2.2 用戶特征的人群
泛化87
7.2.3 內容描述性特征87
7.2.4 內容統計類特征88
7.2.5 內容統計類特征
泛化88
7.2.6 用戶與內容的交叉特征
設計89
7.2.7 用戶歷史行為序列
特征設計91
7.2.8 實時特征的定義和
價值92
7.2.9 實時統計特征設計和
數據流程92
7.2.10 基于機器學習的特征
構造94
7.3 特征應用常見問題95
7.3.1 多值特征處理95
7.3.2 在線、離線特征的
一致性96
7.4 特征去噪96
7.4.1 威爾遜置信區間
方法96
7.4.2 對數平滑方法97
7.4.3 百分位點離散化
方法97
7.5 特征樣本構造和模型訓練97
7.6 時間穿越及處理98
7.6.1 時間穿越的定義及
影響98
7.6.2 樣本現場還原98
7.7 特征與樣本消偏99
7.8 特征評估方法100
第三部分 推薦系統的算法原理
與實踐
第8章 業務驅動視角下的
召回技術104
8.1 推薦系統召回技術概覽104
8.1.1 推薦系統召回技術的
業務定位104
8.1.2 業務驅動下的召回
技術建模思維106
8.2 召回中的策略框架108
8.
目 錄
前言
**部分 業務驅動下的推薦系統總覽
第1章 從業務視角看推薦系統2
1.1 推薦系統的定義與商業價值2
1.1.1 推薦系統的基本概念
與業務驅動思想3
1.1.2 淺談個性化推薦帶來的
商業價值7
1.2 從運營、算法與工程視角
看推薦系統7
1.2.1 推薦業務運營思維：
貨找人8
1.2.2 推薦算法建模思維：
人找貨10
1.2.3 推薦引擎工程展望：
服務產品化11
第2章 從業務視角看推薦系統的
頂層設計12
2.1 業務驅動下的推薦系統
設計思想12
2.1.1 業務無關的推薦系統
抽象13
2.1.2 推薦算法模塊核心能力
的建設15
2.2 從系統框架透視業務生態
循環17
2.2.1 系統大圖剖析17
2.2.2 監察者：埋點日志
服務17
2.2.3 業務大腦：數據計算、
分析及倉儲服務18
2.2.4 主循環系統：召回與
排序模塊19
2.2.5 副循環系統：運營管控
與作業模塊21
2.2.6 新陳代謝：運維與實驗
平臺22
2.3 迭代效率大化：圖化服務和
配置化迭代25
第3章 評估推薦系統的方式
與維度27
3.1 業務驅動型推薦系統的評估
要點27
3.1.1 體驗優先準則和量化
方式28
3.1.2 評估推薦系統的
方法論29
3.1.3 從3種業務價值出發
設計評估體系31
3.2 B端業務：B端用戶體驗的
評估維度31
3.2.1 平臺玩法的
可解釋性31
3.2.2 投放效果的
可預測性32
3.2.3 投入產出比33
3.2.4 基尼指數34
3.3 C端業務：C端用戶體驗
的評估維度34
3.3.1 興趣相關性35
3.3.2 內容質量35
3.3.3 結果多樣性35
3.3.4 推薦驚喜性36
3.4 平臺成長：平臺價值評估
維度36
3.4.1 產品調性和品牌
印象37
3.4.2 消費與轉化率37
3.4.3 高、中、低活用戶
留存37
3.4.4 活躍用戶量38
3.5 評估方法概覽38
3.5.1 用戶調研39
3.5.2 離線評估39
3.5.3 在線評估42
3.6 AB實驗42
3.6.1 AB實驗中的流量切分
設計43
3.6.2 AB實驗的通用流程44
3.6.3 實驗結果的顯著性校驗
和關聯分析44
3.6.4 實驗報表與監控
報警45
第二部分 推薦系統的數據工程
第4章 業務標簽體系48
4.1 業務標簽體系概述48
4.1.1 業務標簽體系的
含義48
4.1.2 業務標簽體系的
價值49
4.1.3 標簽體系為什么要業務
定制化49
4.2 業務標簽體系的設計思路50
4.2.1 業務標簽體系的概念
設計50
4.2.2 業務標簽體系的系統
設計52
4.3 業務標簽的挖掘方法53
4.3.1 提取式標簽挖掘54
4.3.2 生成式標簽挖掘55
4.3.3 基于主動學習的人機
協同標注系統56
4.3.4 標簽改寫、糾錯與
聚合56
4.3.5 標簽權重計算57
4.4 業務標簽體系的評估方法58
4.4.1 離線評估58
4.4.2 在線評估59
第5章 用戶畫像：業務層面
的人格抽象60
5.1 用戶畫像概述60
5.1.1 用戶畫像的含義60
5.1.2 用戶畫像的業務價值
和算法價值61
5.2 用戶畫像設計61
5.2.1 用戶畫像概念體系
設計61
5.2.2 用戶畫像數據系統
設計64
5.3 用戶畫像的構建與迭代65
5.3.1 人工挖掘方法65
5.3.2 基于機器學習的挖掘
方法66
5.3.3 用戶畫像的優化
迭代68
5.3.4 用戶畫像權重計算70
5.4 用戶畫像的評估方法71
5.4.1 離線評估71
5.4.2 在線評估72
第6章 生態循環的血液：
數據獲取與處理73
6.1 埋點日志服務與埋點體系的
設計思想73
6.1.1 埋點日志服務簡介74
6.1.2 業務驅動的埋點體系
設計思想75
6.2 可擴展的業務埋點體系77
6.2.1 SPM埋點體系77
6.2.2 SCM埋點體系77
6.2.3 擴展埋點體系EXT78
6.2.4 會話級埋點設計與
消費路徑跟蹤78
6.3 基于埋點數據的處理和分析79
6.3.1 常見重要數據指標
釋義79
6.3.2 漏斗效應和優化
分析81
第7章 業務定制化特征和
樣本工程設計83
7.1 推薦特征體系概覽83
7.1.1 推薦特征體系簡介84
7.1.2 特征體系的設計
思想85
7.2 推薦系統特征設計及案例86
7.2.1 用戶描述性特征86
7.2.2 用戶特征的人群
泛化87
7.2.3 內容描述性特征87
7.2.4 內容統計類特征88
7.2.5 內容統計類特征
泛化88
7.2.6 用戶與內容的交叉特征
設計89
7.2.7 用戶歷史行為序列
特征設計91
7.2.8 實時特征的定義和
價值92
7.2.9 實時統計特征設計和
數據流程92
7.2.10 基于機器學習的特征
構造94
7.3 特征應用常見問題95
7.3.1 多值特征處理95
7.3.2 在線、離線特征的
一致性96
7.4 特征去噪96
7.4.1 威爾遜置信區間
方法96
7.4.2 對數平滑方法97
7.4.3 百分位點離散化
方法97
7.5 特征樣本構造和模型訓練97
7.6 時間穿越及處理98
7.6.1 時間穿越的定義及
影響98
7.6.2 樣本現場還原98
7.7 特征與樣本消偏99
7.8 特征評估方法100
第三部分 推薦系統的算法原理
與實踐
第8章 業務驅動視角下的
召回技術104
8.1 推薦系統召回技術概覽104
8.1.1 推薦系統召回技術的
業務定位104
8.1.2 業務驅動下的召回
技術建模思維106
8.2 召回中的策略框架108
8.
展開全部
業務驅動的推薦系統:方法與實踐 作者簡介
付 聰 博士，畢業于浙江大學計算機學院，美國南加州大學訪問學者，前阿里巴巴算法專家。工業級高性能高維數據檢索算法NSG、SSG的發明人，致力于推薦系統、搜索引擎前沿技術的研究和應用。曾作為團隊負責人，在千萬級DAU的電商及視頻業務場景下，成功實現了推薦系統、搜索引擎、搜推融合等技術方向的項目落地，積累了豐富的實戰經驗。 學生時代師從國家優秀青年學者蔡登教授與國家杰出青年學者、前滴滴研究院院長何曉飛教授。在人工智能、推薦系統、數據庫、數據挖掘、自然語言處理、神經網絡、知識圖譜等多個領域有豐富的研究成果。在頂級會議或期刊TPAMI、KDD、VLDB、IJCAI、EMNLP、CIKM等發表過多篇論文，并擔任TKDE、IJCAI、EMNLP、AAAI、Neuron Computing等國際會議審稿人。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
姑媽的寶刀
- >
名家帶你讀魯迅:故事新編
- >
李白與唐代文化
- >
中國歷史的瞬間
- >
伯納黛特,你要去哪(2021新版)
- >
唐代進士錄
- >
苦雨齋序跋文-周作人自編集
本類暢銷
