大规模推荐系统实战 azw3 网盘 高速 下载地址大全 免费

本书特色 ※ 专业背景：一线互联网大厂推荐系统专家经验总结 ※ 着眼实战：详细剖析大规模推荐系统从0到1和从1到N ※ 开箱即用：附带可以直接用于生产环境的几乎所有主流推荐算法的代码实现 简介 作为机器学习领域应用比较成熟、广泛的业务，个性化推荐在电商、短视频等平台发挥着重要作用，其背后的推荐系统已成为当今越来越多应用程序的标配。关于推荐算法的论述有很多，而要将其很好地应用到实际场景中，则需要大量的实践经验。本书从实战的角度介绍推荐系统，主要包含三部分：召回算法、排序算法和工程实践。书中细致剖析了如何在工业中对海量数据应用算法，涵盖了从算法原理，到模型搭建、优化以及最佳实践等诸多内容。 本书特色 作者从实践出发，结合在推荐领域的多年经验，清晰直观地介绍了推荐系统相关的算法原理、代码实现、评估方法及调优经验等内容。 本书融合了算法理论与实现，兼顾技术广度与深度。内容通俗易懂，干货十足，极具实践参考价值，适合不同阶段的广大读者阅读。 有幸通读过此书初稿，在此强力推荐给更多读者。希望此书能帮助大家在推荐系统及AI领域的能力大幅提升，并推动技术的进一步应用和发展。 ——马兴国，SHEIN产品研发中心副总经理 该书结合作者在推荐系统领域多年的工程实践经验，从推荐算法原理、系统框架以及技术实现细节等多个角度，深入浅出地剖析实战性的推荐系统。最为难得的是，该书对于推荐系统关键环节给出了相应的代码实现，并融入了作者多年对切身实践的思考和理解，特别适合想了解推荐系统的初学者以及技术进阶者阅读。 ——郭伟昭，SHEIN人工智能实验室高级算法专家 纵观全书，作者先是系统而全面地讲解了推荐系统中的召回算法和排序算法，内容由浅及深、循环渐进，非常适合想要入门推荐系统的非行业从业者、推荐系统领域进阶的行业从业者阅读。此外，作者还编写了一套具有高复用性的训练代码框架，以此应对冷启动问题、模型增量更新、迁移学习和分布式训练等工程实践中的常见问题。作者的这些宝贵实践经验，非常值得每个推荐系统爱好者深入学习和体会。 ——王贺（@鱼遇雨欲语与余）《机器学习算法竞赛实战》作者，推荐算法专家

前言 iii 第 1章 推荐系统 1 1．1 推荐系统是什么 1 1．1．1 京东商城 3 1．1．2 亚马逊 4 1．1．3 YouTube 6 1．2 推荐系统整体架构 8 1．3 推荐系统算法概述 9 1．3．1 召回算法 10 1．3．2 排序算法 14 1．4 周边配套系统 16 1．4．1 机器学习平台 18 1．4．2 特征平台 18 1．4．3 模型服务平台 19 1．4．4 A/B测试平台 19 1．5 总结 20 第 一部分 召回算法 第 2章 协同过滤 22 2．1 算法应用 24 2．2 算法原理 25 2．2．1 打分机制 26 2．2．2 物品相似度 31 2．3 算法实现 33 2．3．1 步骤1：数据源读取 34 2．3．2 步骤2：聚合用户行为 34 2．3．3 步骤3：局部物品相似度 35 2．3．4 步骤4和步骤5：全局物品相似度 36 2．3．5 步骤6：Top N 37 2．4 算法优化 37 2．4．1 无效用户过滤 38 2．4．2 热门惩罚 38 2．5 完整代码 39 2．6 准实时更新 42 2．6．1 数据准备 43 2．6．2 实时数据取数逻辑 44 2．6．3 准实时更新相似度 44 2．7 总结 45 第3章 关联规则 47 3．1 关联规则 48 3．1．1 定义 49 3．1．2 频繁项集 50 3．2 Apriori算法 51 3．2．1 频繁项集生成 51 3．2．2 关联规则生成 53 3．3 FPGrowth 54 3．3．1 FP树 54 3．3．2 逻辑 54 3．3．3 举例 55 3．3．4 运行 66 3．3．5 完整代码 68 3．3．6 数据集 69 3．3．7 源码分析 70 3．3．8 算法优化 76 3．4 总结 77 第4章 Word2Vec 78 4．1 词向量示例 80 4．2 数据准备 81 4．2．1 词汇表 82 4．2．2 训练数据 82 4．3 算法原理 83 4．3．1 模型结构 85 4．3．2 前向传播 86 4．3．3 反向传播 88 4．3．4 算法优化 89 4．4 源码分析 91 4．4．1 负采样概率表 91 4．4．2 sigmoid函数优化 93 4．5 算法实战 93 4．5．1 数据源 94 4．5．2 运行 94 4．5．3 相似度计算 95 4．6 LSH 算法 96 4．6．1 散列 96 4．6．2 算法逻辑 98 4．6．3 时间复杂度分析 102 4．6．4 错误率分析 102 4．6．5 召回率分析 104 4．7 Word2Vec与LSH 106 4．8 总结 107 第5章 深度学习双塔召回 108 5．1 向量化 109 5．2 双塔模型 110 5．2．1 数据准备 112 5．2．2 模型训练 112 5．2．3 模型对外服务 113 5．3 HNSW算法 115 5．3．1 二分查找 115 5．3．2 有序链表 117 5．3．3 跳表 118 5．3．4 HNSW算法 121 5．4 双塔模型与HNSW算法 129 5．5 负样本策略 131 5．6 总结 132 第6章 召回模型的离线评估 133 6．1 推荐任务类型 133 6．2 混淆矩阵 134 6．2．1 准确率 135 6．2．2 精确率 136 6．2．3 召回率 136 6．2．4 F1分数 137 6．2．5 @k 138 6．3 nDCG 139 6．3．1 CG 139 6．3．2 DCG 140 6．3．3 nDCG 140 6．3．4 @k 141 6．4 其他指标 142 6．4．1 MRR 142 6．4．2 MAP 142 6．4．3 多样性 143 6．4．4 覆盖度 144 6．4．5 信息熵 144 6．5 代码实现 144 6．5．1 实现逻辑 145 6．5．2 完整代码 146 6．6 总结 149 第二部分 排序算法 第7章 特征工程和特征选择 153 7．1 特征类型 155 7．1．1 类别特征 155 7．1．2 数值特征 155 7．1．3 序列特征 156 7．2 特征工程 156 7．2．1 特征样例 156 7．2．2 特征工程 159 7．2．3 TensorFlow特征列 164 7．3 特征选择 165 7．4 总结 167 第8章 传统机器学习排序算法 168 8．1 数据和模型 168 8．1．1 极大似然估计 169 8．1．2 最大后验概率估计 169 8．2 模型训练流程 170 8．3 手写逻辑回归 171 8．3．1 数据准备 172 8．3．2 数据读取 173 8．3．3 模型训练 173 8．3．4 完整代码 174 8．3．5 算法优缺点 177 8．4 手写因式分解机 178 8．4．1 完整代码 180 8．4．2 算法优缺点 183 8．5 其他经典排序算法 184 8．6 Q & A 185 8．7 总结 186 第9章 深度学习从训练到对外服务 188 9．1 深度学习简介 188 9．2 经典模型结构 191 9．2．1 Wide & Deep 191 9．2．2 Deep Interest Network 192 9．2．3 Behavior Sequence Transformer 194 9．3 建模流程 195 9．3．1 数据准备 197 9．3．2 特征工程 202 9．3．3 模型搭建 209 9．3．4 模型训练 213 9．3．5 模型导出 215 9．3．6 模型服务 216 9．4 再谈双塔模型 219 9．5 总结 220 第 10章 Listwise Learning To Rank从原理到实现 221 10．1 Listwise基本概念 222 10．1．1 page view 222 10．1．2 relevance 223 10．1．3 Listwise 223 10．2 损失函数 224 10．2．1 permutation probability 224 10．2．2 top one probability 226 10．2．3 交叉熵损失函数 227 10．3 ListNet 228 10．3．1 数据准备 229 10．3．2 模型搭建 236 10．3．3 模型训练、导出和服务 243 10．3．4 优化方向 244 10．4 总结 244 第 11章 排序算法的离线评估和在线评估 246 11．1 离线评估 246 11．1．1 ROC 曲线 247 11．1．2 ROC 曲线下的面积 249 11．1．3 PR 曲线 254 11．1．4 GAUC 256 11．2 在线评估 257 11．2．1 A/B测试简介 257 11．2．2 朴素分流方案 258 11．2．3 分层分流方案 260 11．2．4 可信度评估 262 11．3 在线离线不一致 267 11．3．1 特征不一致 267 11．3．2 数据分布不一致 268 11．3．3 模型与业务目标不一致 268 11．3．4 验证集设计不合理 268 11．4 总结 270 第 12章 推荐算法建模最佳实践 271 12．1 深度学习调参 272 12．1．1 学习率 272 12．1．2 batch size 279 12．1．3 epoch 279 12．1．4 隐藏层数 280 12．1．5 隐藏节点数 280 12．1．6 激活函数 280 12．1．7 权重初始化 280 12．1．8 优化器 281 12．1．9 其他实践 281 12．2 现实数据问题 281 12．2．1 类别失衡 282 12．2．2 位置偏差 286 12．2．3 海量数据下的调参 287 12．2．4 其他实践 288 12．3 总结 288 第三部分 工程实践 第 13章 冷启动问题 290 13．1 冷启动概述 291 13．2 用户冷启动 292 13．2．1 热门排行榜 292 13．2．2 上下文信息 294 13．2．3 其他策略 295 13．3 物品冷启动 296 13．3．1 基于内容的过滤 296 13．3．2 推荐策略 299 13．4 系统冷启动 301 13．5 总结 306 第 14章 增量更新和迁移学习 307 14．1 离线训练 307 14．1．1 数据流向 307 14．1．2 更新方式 308 14．2 在线训练 310 14．2．1 数据流向 310 14．2．2 样本生成 312 14．2．3 延迟反馈 314 14．3 迁移学习 317 14．4 总结 320 第 15章 分布式TensorFlow 321 15．1 分布式的理由 321 15．2 并行方式 322 15．2．1 模型并行 323 15．2．2 数据并行 324 15．3 参数共享与更新 325 15．3．1 同步更新 326 15．3．2 异步更新 327 15．4 分布式训练架构 329 15．4．1 Parameter Server架构 329 15．4．2 Ring All Reduce架构 331 15．5 单机代码移植 334 15．5．1 数据准备 334 15．5．2 模型搭建 337 15．5．3 模型训练 337 15．5．4 模型导出 340 15．6 分布式训练框架 340 15．6．1 基于Kubernetes的分布式训练框架 340 15．6．2 基于Flink的分布式训练框架 344 15．7 总结 345 第 16章 示例：推荐算法训练代码框架设计 346 16．1 问题 347 16．2 解题思路 348 16．2．1 数据问题 348 16．2．2 训练问题 349 16．3 详细设计 350 16．3．1 配置解析 351 16．3．2 数据读取 352 16．3．3 模型搭建 352 16．3．4 完整流程 353 16．4 代码实现 353 16．4．1 配置解析 354 16．4．2 特征处理 359 16．5 总结 362 第 17章 回顾和探索 363 17．1 回顾 363 17．2 探索 364 17．2．1 数据 364 17．2．2 算法 366 17．2．3 平台 367 17．2．4 安全 367 17．3 总结 368

阿星 曾在字节跳动、苏宁易购等企业负责推荐/广告算法的设计、开发和优化工作，在应对海量数据下的算法建模以及点击率/转化率预估等任务中积累了大量实战经验。目前就职于跨境电商巨头SHEIN，负责提升全球核心业务场景的流量分发效率。

暂无其它内容！

暂时还没有人为这本书评论！