相關商品
商品簡介
名人/編輯推薦
目次
商品簡介
這是一本介紹推薦系統前沿技術的技術書。本書前幾章著重介紹深度學習排序模型的技術演化趨勢，然後依次介紹推薦系統其他模塊的技術細節和工程實現，通過業界前沿的推薦系統實例將所有知識融會貫通。本書著重討論的是推薦系統相關的經典和前沿技術內容，尤其是深度學習在推薦系統業界的應用。
名人/編輯推薦
厘清關鍵模型和技術細節|揭秘巨頭公司推薦系統背後的邏輯|引導讀者掌握工業界模型設計背後的“銀彈”|產學界專家力薦
一線大廠推薦工程師傾囊相授 教你從零開始構建前沿、實用的推薦系統知識體系 揭秘巨頭公司推薦系統背後的邏輯 梳理深度學習推薦系統的發展脈絡，厘清每個關鍵模型和技術的細節 引導讀者掌握工業界模型設計背後真正的 “銀彈” 諸葛越、唐傑、張俊林、劉知遠、楊子等產學界專家傾情力薦，朱小強作序
推薦算法有著巨大的商業價值，而深度學習又將相對成熟的推薦算法向前推進了一大步。本書關注工業界的前沿進展，致力於提高一線算法工程師的工業級推薦系統實踐能力，為讀者帶來技術乾貨。
斯坦福大學博士，Hulu全球副總裁 諸葛越
我非常樂意將本書推薦給在校研究生和博士生，它搭建起一座連接學術界和工業界的橋樑，讓有興趣從事推薦系統及相關職業方向的在校生有了熟悉工業界推薦系統的機會，並在學習的過程中建立起深度學習推薦系統的知識框架。
清華大學計算機系教授 唐 傑
本書最珍貴的閃光點和最大的價值不在於羅列了眾多聞名業界的推薦模型，而是從技術創造的視角，以具體的技術誕生場景為藍圖，引導讀者學習和掌握工業界模型設計背後真正的“銀彈”?――模型提出的目的是解決什麼樣的問題。
阿裡巴巴資深技術專家 朱小強
本書系統地歸納、梳理了推薦領域的眾多深度學習前沿模型，更可貴的是，本書聚焦於可落地的工業界深度學習推薦模型，這使其兼具技術前沿性和業務實用性。我誠摯地向讀者推薦此書。
新浪微博AI?Lab負責人 張俊林
本書深入地介紹了推薦系統知識的方方面面，並重點討論了深度學習在推薦系統中的技術路線，注重提供一線互聯網公司的應用案例，是一本難得的理論與實踐並重的推薦系統技術書。
清華大學計算機系副教授 劉知遠
閱讀本書，你仿佛在和一個見證並推動推薦系統技術發展的資深工程師對話。他將千頭萬緒的知識體系歸納整理並娓娓道來，和你一起感受深度學習對推薦系統技術變革的強大助推力。本書注重分享作者實踐前沿技術的心得體會，啟發你在推薦系統實踐中思考技術創新，開闊設計靈感。
卡內基梅隆大學博士，谷歌高級研究員 楊 子
一線大廠推薦工程師傾囊相授 教你從零開始構建前沿、實用的推薦系統知識體系 揭秘巨頭公司推薦系統背後的邏輯 梳理深度學習推薦系統的發展脈絡，厘清每個關鍵模型和技術的細節 引導讀者掌握工業界模型設計背後真正的 “銀彈” 諸葛越、唐傑、張俊林、劉知遠、楊子等產學界專家傾情力薦，朱小強作序
推薦算法有著巨大的商業價值，而深度學習又將相對成熟的推薦算法向前推進了一大步。本書關注工業界的前沿進展，致力於提高一線算法工程師的工業級推薦系統實踐能力，為讀者帶來技術乾貨。
斯坦福大學博士，Hulu全球副總裁 諸葛越
我非常樂意將本書推薦給在校研究生和博士生，它搭建起一座連接學術界和工業界的橋樑，讓有興趣從事推薦系統及相關職業方向的在校生有了熟悉工業界推薦系統的機會，並在學習的過程中建立起深度學習推薦系統的知識框架。
清華大學計算機系教授 唐 傑
本書最珍貴的閃光點和最大的價值不在於羅列了眾多聞名業界的推薦模型，而是從技術創造的視角，以具體的技術誕生場景為藍圖，引導讀者學習和掌握工業界模型設計背後真正的“銀彈”?――模型提出的目的是解決什麼樣的問題。
阿裡巴巴資深技術專家 朱小強
本書系統地歸納、梳理了推薦領域的眾多深度學習前沿模型，更可貴的是，本書聚焦於可落地的工業界深度學習推薦模型，這使其兼具技術前沿性和業務實用性。我誠摯地向讀者推薦此書。
新浪微博AI?Lab負責人 張俊林
本書深入地介紹了推薦系統知識的方方面面，並重點討論了深度學習在推薦系統中的技術路線，注重提供一線互聯網公司的應用案例，是一本難得的理論與實踐並重的推薦系統技術書。
清華大學計算機系副教授 劉知遠
閱讀本書，你仿佛在和一個見證並推動推薦系統技術發展的資深工程師對話。他將千頭萬緒的知識體系歸納整理並娓娓道來，和你一起感受深度學習對推薦系統技術變革的強大助推力。本書注重分享作者實踐前沿技術的心得體會，啟發你在推薦系統實踐中思考技術創新，開闊設計靈感。
卡內基梅隆大學博士，谷歌高級研究員 楊 子
目次
第1章 互聯網的增長引擎――推薦系統
1.1 為什麼推薦系統是互聯網的增長引擎
1.1.1 推薦系統的作用和意義
1.1.2 推薦系統與YouTube的觀看時長增長
1.1.3 推薦系統與電商網站的收入增長
1.2 推薦系統的架構
1.2.1 推薦系統的邏輯框架
1.2.2 推薦系統的技術架構
1.2.3 推薦系統的數據部分
1.2.4 推薦系統的模型部分
1.2.5 深度學習對推薦系統的革命性貢獻
1.2.6 把握整體，補充細節
1.3 本書的整體結構
第2章 前深度學習時代――推薦系統的進化之路
2.1 傳統推薦模型的演化關係圖
2.2 協同過濾――經典的推薦算法
2.2.1 什麼是協同過濾
2.2.2 用戶相似度計算
2.2.3 終結果的排序
2.2.4 ItemCF
2.2.5 UserCF與ItemCF的應用場景
2.2.6 協同過濾的下一步發展
2.3 矩陣分解算法――協同過濾的進化
2.3.1 矩陣分解算法的原理
2.3.2 矩陣分解的求解過程
2.3.3 消除用戶和物品打分的偏差
2.3.4 矩陣分解的優點和局限性
2.4 邏輯回歸――融合多種特徵的推薦模型
2.4.1 基於邏輯回歸模型的推薦流程
2.4.2 邏輯回歸模型的數學形式
2.4.3 邏輯回歸模型的訓練方法
2.4.4 邏輯回歸模型的優勢
2.4.5 邏輯回歸模型的局限性
2.5 從FM到FFM――自動特徵交叉的解決方案
2.5.1 POLY2模型――特徵交叉的開始
2.5.2 FM模型――隱向量特徵交叉
2.5.3 FFM模型――引入特徵域的概念
2.5.4 從POLY2到FFM的模型演化過程
2.6 GBDT+LR――特徵工程模型化的開端
2.6.1 GBDT+LR組合模型的結構
2.6.2 GBDT進行特徵轉換的過程
2.6.3 GBDT+LR 組合模型開啟的特徵工程新趨勢
2.7 LS-PLM――阿裡巴巴曾經的主流推薦模型
2.7.1 LS-PLM 模型的主要結構
2.7.2 LS-PLM模型的優點
2.7.3 從深度學習的角度重新審視LS-PLM模型
2.8 總結――深度學習推薦系統的前夜
第3章 浪潮之巔――深度學習在推薦系統中的應用
3.1 深度學習推薦模型的演化關係圖
3.2 AutoRec――單隱層神經網絡推薦模型
3.2.1 AutoRec模型的基本原理
3.2.2 AutoRec模型的結構
3.2.3 基於AutoRec模型的推薦過程
3.2.4 AutoRec模型的特點和局限性
3.3 Deep Crossing模型――經典的深度學習架構
3.3.1 Deep Crossing模型的應用場景
3.3.2 Deep Crossing模型的網絡結構
3.3.3 Deep Crossing模型對特徵交叉方法的革命
3.4 NeuralCF模型――CF與深度學習的結合
3.4.1 從深度學習的視角重新審視矩陣分解模型
3.4.2 NeuralCF模型的結構
3.4.3 NeuralCF模型的優勢和局限性
3.5 PNN模型――加強特徵交叉能力
3.5.1 PNN模型的網絡架構
3.5.2 Product層的多種特徵交叉方式
3.5.3 PNN模型的優勢和局限性
3.6 Wide＆Deep 模型――記憶能力和泛化能力的綜合
3.6.1 模型的記憶能力與泛化能力
3.6.2 Wide＆Deep模型的結構
3.6.3 Wide＆Deep模型的進化――Deep＆Cross模型
3.6.4 Wide＆Deep模型的影響力
3.7 FM與深度學習模型的結合
3.7.1 FNN――用FM的隱向量完成Embedding層初始化
3.7.2 DeepFM――用FM代替Wide部分
3.7.3 NFM――FM的神經網絡化嘗試
3.7.4 基於FM的深度學習模型的優點和局限性
3.8 注意力機制在推薦模型中的應用
3.8.1 AFM――引入注意力機制的FM
3.8.2 DIN――引入注意力機制的深度學習網絡
3.8.3 注意力機制對推薦系統的啟發
3.9 DIEN――序列模型與推薦系統的結合
3.9.1 DIEN的“進化”動機
3.9.2 DIEN模型的架構
3.9.3 興趣抽取層的結構
3.9.4 興趣進化層的結構
3.9.5 序列模型對推薦系統的啟發
3.10 強化學習與推薦系統的結合
3.10.1 深度強化學習推薦系統框架
3.10.2 深度強化學習推薦模型
3.10.3 DRN的學習過程
3.10.4 DRN的在線學習方法――競爭梯度下降算法
3.10.5 強化學習對推薦系統的啟發
3.11 總結――推薦系統的深度學習時代
第4章 Embedding技術在推薦系統中的應用
4.1 什麼是Embedding
4.1.1 詞向量的例子
4.1.2 Embedding 技術在其他領域的擴展
4.1.3 Embedding 技術對於深度學習推薦系統的重要性
4.2 Word2vec――經典的Embedding方法
4.2.1 什麼是Word2vec
4.2.2 Word2vec模型的訓練過程
4.2.3 Word2vec的“負採樣”訓練方法
4.2.4 Word2vec對Embedding技術的奠基性意義
4.3 Item2vec――Word2vec 在推薦系統領域的推廣
4.3.1 Item2vec的基本原理
4.3.2 “廣義”的Item2vec
4.3.3 Item2vec方法的特點和局限性
4.4 Graph Embedding――引入更多結構信息的圖嵌入技術
4.4.1 DeepWalk――基礎的Graph Embedding方法
4.4.2 Node2vec――同質性和結構性的權衡
4.4.3 EGES――阿裡巴巴的綜合性Graph Embedding方法
4.5 Embedding與深度學習推薦系統的結合
4.5.1 深度學習網絡中的Embedding層
4.5.2 Embedding的預訓練方法
4.5.3 Embedding作為推薦系統召回層的方法
4.6 局部敏感哈希――讓Embedding插上翅膀的快速搜索方法
4.6.1 “快速”Embedding近鄰搜索
4.6.2 局部敏感哈希的基本原理
4.6.3 局部敏感哈希多桶策略
4.7 總結――深度學習推薦系統的核心操作
第5章 多角度審視推薦系統
5.1 推薦系統的特徵工程
5.1.1 構建推薦系統特徵工程的原則
5.1.2 推薦系統中的常用特徵
5.1.3 常用的特徵處理方法
5.1.4 特徵工程與業務理解
5.2 推薦系統召回層的主要策略
5.2.1 召回層和排序層的功能特點
5.2.2 多路召回策略
5.2.3 基於Embedding的召回方法
5.3 推薦系統的實時性
5.3.1 為什麼說推薦系統的實時性是重要的
5.3.2 推薦系統“特徵”的實時性
5.3.3 推薦系統“模型”的實時性
5.3.4 用“木桶理論”看待推薦系統的迭代升級
5.4 如何合理設定推薦系統中的優化目標
5.4.1 YouTube以觀看時長為優化目標的合理性
5.4.2 模型優化和應用場景的統一性
5.4.3 優化目標是和其他團隊的接口性工作
5.5 推薦系統中比模型結構更重要的是什麼
5.5.1 有解決推薦問題的“銀彈”嗎
5.5.2 Netflix對用戶行為的觀察
5.5.3 觀察用戶行為，在模型中加入有價值的用戶信息
5.5.4 DIN模型的改進動機
5.5.5 算法工程師不能只是一個“煉金術士”
5.6 冷啟動的解決辦法
5.6.1 基於規則的冷啟動過程
5.6.2 豐富冷啟動過程中可獲得的用戶和物品特徵
5.6.3 利用主動學習、遷移學習和“探索與利用”機制
5.6.4 “巧婦難為無米之炊”的困境
5.7 探索與利用
5.7.1 傳統的探索與利用方法
5.7.2 個性化的探索與利用方法
5.7.3 基於模型的探索與利用方法
5.7.4 “探索與利用”機制在推薦系統中的應用
第6章 深度學習推薦系統的工程實現
6.1 推薦系統的數據流
6.1.1 批處理大數據架構
6.1.2 流計算大數據架構
6.1.3 Lambda架構
6.1.4 Kappa架構
6.1.5 大數據平臺與推薦系統的整合
6.2 推薦模型離線訓練之Spark MLlib
6.2.1 Spark的分布式計算原理
6.2.2 Spark MLlib的模型並行訓練原理
6.2.3 Spark MLlib並行訓練的局限性
6.3 推薦模型離線訓練之Parameter Server
6.3.1 Parameter Server的分布式訓練原理
6.3.2 一致性與並行效率之間的取捨
6.3.3 多server節點的協同和效率問題
6.3.4 Parameter Server技術要點總結
6.4 推薦模型離線訓練之TensorFlow
6.4.1 TensorFlow的基本原理
6.4.2 TensorFlow基於任務關係圖的並行訓練過程
6.4.3 TensorFlow的單機訓練與分布式訓練模式
6.4.4 TensorFlow技術要點總結
6.5 深度學習推薦模型的上線部署
6.5.1 預存推薦結果或Embedding結果
6.5.2 自研模型線上服務平臺
6.5.3 預訓練Embedding+輕量級線上模型
6.5.4 利用PMML轉換並部署模型
6.5.5 TensorFlow Serving
6.5.6 靈活選擇模型服務方法
6.6 工程與理論之間的權衡
6.6.1 工程師職責的本質
6.6.2 Redis容量和模型上線方式之間的權衡
6.6.3 研發週期限制和技術選型的權衡
6.6.4 硬件平臺環境和模型結構間的權衡
6.6.5 處理好整體和局部的關係
第7章 推薦系統的評估
7.1 離線評估方法與基本評價指標
7.1.1 離線評估的主要方法
7.1.2 離線評估的指標
7.2 直接評估推薦序列的離線指標
7.2.1 P-R曲線
7.2.2 ROC曲線
7.2.3 平均精度均值
7.2.4 合理選擇評估指標
7.3 更接近線上環境的離線評估方法――Replay
7.3.1 模型評估的邏輯閉環
7.3.2 動態離線評估方法
7.3.3 Netflix的Replay評估方法實踐
7.4 A/B測試與線上評估指標
7.4.1 什麼是A/B測試
7.4.2 A/B測試的“分桶”原則
7.4.3 線上A/B測試的評估指標
7.5 快速線上評估方法――Interleaving
7.5.1 傳統A/B測試存在的統計學問題
7.5.2 Interleaving方法的實現
7.5.3 Interleaving方法與傳統A/B測試的靈敏度比較
7.5.4 Interleaving方法指標與A/B測試指標的相關性
7.5.5 Interl
1.1 為什麼推薦系統是互聯網的增長引擎
1.1.1 推薦系統的作用和意義
1.1.2 推薦系統與YouTube的觀看時長增長
1.1.3 推薦系統與電商網站的收入增長
1.2 推薦系統的架構
1.2.1 推薦系統的邏輯框架
1.2.2 推薦系統的技術架構
1.2.3 推薦系統的數據部分
1.2.4 推薦系統的模型部分
1.2.5 深度學習對推薦系統的革命性貢獻
1.2.6 把握整體，補充細節
1.3 本書的整體結構
第2章 前深度學習時代――推薦系統的進化之路
2.1 傳統推薦模型的演化關係圖
2.2 協同過濾――經典的推薦算法
2.2.1 什麼是協同過濾
2.2.2 用戶相似度計算
2.2.3 終結果的排序
2.2.4 ItemCF
2.2.5 UserCF與ItemCF的應用場景
2.2.6 協同過濾的下一步發展
2.3 矩陣分解算法――協同過濾的進化
2.3.1 矩陣分解算法的原理
2.3.2 矩陣分解的求解過程
2.3.3 消除用戶和物品打分的偏差
2.3.4 矩陣分解的優點和局限性
2.4 邏輯回歸――融合多種特徵的推薦模型
2.4.1 基於邏輯回歸模型的推薦流程
2.4.2 邏輯回歸模型的數學形式
2.4.3 邏輯回歸模型的訓練方法
2.4.4 邏輯回歸模型的優勢
2.4.5 邏輯回歸模型的局限性
2.5 從FM到FFM――自動特徵交叉的解決方案
2.5.1 POLY2模型――特徵交叉的開始
2.5.2 FM模型――隱向量特徵交叉
2.5.3 FFM模型――引入特徵域的概念
2.5.4 從POLY2到FFM的模型演化過程
2.6 GBDT+LR――特徵工程模型化的開端
2.6.1 GBDT+LR組合模型的結構
2.6.2 GBDT進行特徵轉換的過程
2.6.3 GBDT+LR 組合模型開啟的特徵工程新趨勢
2.7 LS-PLM――阿裡巴巴曾經的主流推薦模型
2.7.1 LS-PLM 模型的主要結構
2.7.2 LS-PLM模型的優點
2.7.3 從深度學習的角度重新審視LS-PLM模型
2.8 總結――深度學習推薦系統的前夜
第3章 浪潮之巔――深度學習在推薦系統中的應用
3.1 深度學習推薦模型的演化關係圖
3.2 AutoRec――單隱層神經網絡推薦模型
3.2.1 AutoRec模型的基本原理
3.2.2 AutoRec模型的結構
3.2.3 基於AutoRec模型的推薦過程
3.2.4 AutoRec模型的特點和局限性
3.3 Deep Crossing模型――經典的深度學習架構
3.3.1 Deep Crossing模型的應用場景
3.3.2 Deep Crossing模型的網絡結構
3.3.3 Deep Crossing模型對特徵交叉方法的革命
3.4 NeuralCF模型――CF與深度學習的結合
3.4.1 從深度學習的視角重新審視矩陣分解模型
3.4.2 NeuralCF模型的結構
3.4.3 NeuralCF模型的優勢和局限性
3.5 PNN模型――加強特徵交叉能力
3.5.1 PNN模型的網絡架構
3.5.2 Product層的多種特徵交叉方式
3.5.3 PNN模型的優勢和局限性
3.6 Wide＆Deep 模型――記憶能力和泛化能力的綜合
3.6.1 模型的記憶能力與泛化能力
3.6.2 Wide＆Deep模型的結構
3.6.3 Wide＆Deep模型的進化――Deep＆Cross模型
3.6.4 Wide＆Deep模型的影響力
3.7 FM與深度學習模型的結合
3.7.1 FNN――用FM的隱向量完成Embedding層初始化
3.7.2 DeepFM――用FM代替Wide部分
3.7.3 NFM――FM的神經網絡化嘗試
3.7.4 基於FM的深度學習模型的優點和局限性
3.8 注意力機制在推薦模型中的應用
3.8.1 AFM――引入注意力機制的FM
3.8.2 DIN――引入注意力機制的深度學習網絡
3.8.3 注意力機制對推薦系統的啟發
3.9 DIEN――序列模型與推薦系統的結合
3.9.1 DIEN的“進化”動機
3.9.2 DIEN模型的架構
3.9.3 興趣抽取層的結構
3.9.4 興趣進化層的結構
3.9.5 序列模型對推薦系統的啟發
3.10 強化學習與推薦系統的結合
3.10.1 深度強化學習推薦系統框架
3.10.2 深度強化學習推薦模型
3.10.3 DRN的學習過程
3.10.4 DRN的在線學習方法――競爭梯度下降算法
3.10.5 強化學習對推薦系統的啟發
3.11 總結――推薦系統的深度學習時代
第4章 Embedding技術在推薦系統中的應用
4.1 什麼是Embedding
4.1.1 詞向量的例子
4.1.2 Embedding 技術在其他領域的擴展
4.1.3 Embedding 技術對於深度學習推薦系統的重要性
4.2 Word2vec――經典的Embedding方法
4.2.1 什麼是Word2vec
4.2.2 Word2vec模型的訓練過程
4.2.3 Word2vec的“負採樣”訓練方法
4.2.4 Word2vec對Embedding技術的奠基性意義
4.3 Item2vec――Word2vec 在推薦系統領域的推廣
4.3.1 Item2vec的基本原理
4.3.2 “廣義”的Item2vec
4.3.3 Item2vec方法的特點和局限性
4.4 Graph Embedding――引入更多結構信息的圖嵌入技術
4.4.1 DeepWalk――基礎的Graph Embedding方法
4.4.2 Node2vec――同質性和結構性的權衡
4.4.3 EGES――阿裡巴巴的綜合性Graph Embedding方法
4.5 Embedding與深度學習推薦系統的結合
4.5.1 深度學習網絡中的Embedding層
4.5.2 Embedding的預訓練方法
4.5.3 Embedding作為推薦系統召回層的方法
4.6 局部敏感哈希――讓Embedding插上翅膀的快速搜索方法
4.6.1 “快速”Embedding近鄰搜索
4.6.2 局部敏感哈希的基本原理
4.6.3 局部敏感哈希多桶策略
4.7 總結――深度學習推薦系統的核心操作
第5章 多角度審視推薦系統
5.1 推薦系統的特徵工程
5.1.1 構建推薦系統特徵工程的原則
5.1.2 推薦系統中的常用特徵
5.1.3 常用的特徵處理方法
5.1.4 特徵工程與業務理解
5.2 推薦系統召回層的主要策略
5.2.1 召回層和排序層的功能特點
5.2.2 多路召回策略
5.2.3 基於Embedding的召回方法
5.3 推薦系統的實時性
5.3.1 為什麼說推薦系統的實時性是重要的
5.3.2 推薦系統“特徵”的實時性
5.3.3 推薦系統“模型”的實時性
5.3.4 用“木桶理論”看待推薦系統的迭代升級
5.4 如何合理設定推薦系統中的優化目標
5.4.1 YouTube以觀看時長為優化目標的合理性
5.4.2 模型優化和應用場景的統一性
5.4.3 優化目標是和其他團隊的接口性工作
5.5 推薦系統中比模型結構更重要的是什麼
5.5.1 有解決推薦問題的“銀彈”嗎
5.5.2 Netflix對用戶行為的觀察
5.5.3 觀察用戶行為，在模型中加入有價值的用戶信息
5.5.4 DIN模型的改進動機
5.5.5 算法工程師不能只是一個“煉金術士”
5.6 冷啟動的解決辦法
5.6.1 基於規則的冷啟動過程
5.6.2 豐富冷啟動過程中可獲得的用戶和物品特徵
5.6.3 利用主動學習、遷移學習和“探索與利用”機制
5.6.4 “巧婦難為無米之炊”的困境
5.7 探索與利用
5.7.1 傳統的探索與利用方法
5.7.2 個性化的探索與利用方法
5.7.3 基於模型的探索與利用方法
5.7.4 “探索與利用”機制在推薦系統中的應用
第6章 深度學習推薦系統的工程實現
6.1 推薦系統的數據流
6.1.1 批處理大數據架構
6.1.2 流計算大數據架構
6.1.3 Lambda架構
6.1.4 Kappa架構
6.1.5 大數據平臺與推薦系統的整合
6.2 推薦模型離線訓練之Spark MLlib
6.2.1 Spark的分布式計算原理
6.2.2 Spark MLlib的模型並行訓練原理
6.2.3 Spark MLlib並行訓練的局限性
6.3 推薦模型離線訓練之Parameter Server
6.3.1 Parameter Server的分布式訓練原理
6.3.2 一致性與並行效率之間的取捨
6.3.3 多server節點的協同和效率問題
6.3.4 Parameter Server技術要點總結
6.4 推薦模型離線訓練之TensorFlow
6.4.1 TensorFlow的基本原理
6.4.2 TensorFlow基於任務關係圖的並行訓練過程
6.4.3 TensorFlow的單機訓練與分布式訓練模式
6.4.4 TensorFlow技術要點總結
6.5 深度學習推薦模型的上線部署
6.5.1 預存推薦結果或Embedding結果
6.5.2 自研模型線上服務平臺
6.5.3 預訓練Embedding+輕量級線上模型
6.5.4 利用PMML轉換並部署模型
6.5.5 TensorFlow Serving
6.5.6 靈活選擇模型服務方法
6.6 工程與理論之間的權衡
6.6.1 工程師職責的本質
6.6.2 Redis容量和模型上線方式之間的權衡
6.6.3 研發週期限制和技術選型的權衡
6.6.4 硬件平臺環境和模型結構間的權衡
6.6.5 處理好整體和局部的關係
第7章 推薦系統的評估
7.1 離線評估方法與基本評價指標
7.1.1 離線評估的主要方法
7.1.2 離線評估的指標
7.2 直接評估推薦序列的離線指標
7.2.1 P-R曲線
7.2.2 ROC曲線
7.2.3 平均精度均值
7.2.4 合理選擇評估指標
7.3 更接近線上環境的離線評估方法――Replay
7.3.1 模型評估的邏輯閉環
7.3.2 動態離線評估方法
7.3.3 Netflix的Replay評估方法實踐
7.4 A/B測試與線上評估指標
7.4.1 什麼是A/B測試
7.4.2 A/B測試的“分桶”原則
7.4.3 線上A/B測試的評估指標
7.5 快速線上評估方法――Interleaving
7.5.1 傳統A/B測試存在的統計學問題
7.5.2 Interleaving方法的實現
7.5.3 Interleaving方法與傳統A/B測試的靈敏度比較
7.5.4 Interleaving方法指標與A/B測試指標的相關性
7.5.5 Interl
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。