業(yè)務(wù)驅(qū)動(dòng)的推薦系統(tǒng)：方法與實(shí)踐

定　價(jià)：￥89.00

作　者：	付聰著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111720935	出版時(shí)間：	2023-02-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　這是一本從業(yè)務(wù)視角解讀推薦系統(tǒng)架構(gòu)設(shè)計(jì)、評估方法、數(shù)據(jù)工程和算法原理的著作。市面上推薦系統(tǒng)方面的著作，內(nèi)容多以推薦技術(shù)、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(tǒng)并提升業(yè)務(wù)指標(biāo)，其實(shí)推薦算法只是工具，要真正發(fā)揮推薦系統(tǒng)的價(jià)值，需要將推薦系統(tǒng)植根于業(yè)務(wù)之上。本書從業(yè)務(wù)視角出發(fā)，描繪了當(dāng)下主流推薦系統(tǒng)的設(shè)計(jì)思想和架構(gòu)全貌，重點(diǎn)突出系統(tǒng)每個(gè)模塊所需要解決的問題，進(jìn)而介紹一到兩種實(shí)踐檢驗(yàn)普遍有效、在學(xué)術(shù)界具備里程碑性質(zhì)的算法。幫助讀者練成識別算法的火眼金睛，從每年大量產(chǎn)出的新算法研究中去粗取精，真正解決實(shí)際問題。閱讀本書，你將有如下收獲：從商業(yè)、運(yùn)營、算法、工程視角理解推薦系統(tǒng)，對推薦系統(tǒng)的認(rèn)知更加立體化；從業(yè)務(wù)視角理解推薦系統(tǒng)的頂層設(shè)計(jì)，掌握業(yè)務(wù)驅(qū)動(dòng)的推薦系統(tǒng)設(shè)計(jì)思想；掌握業(yè)務(wù)驅(qū)動(dòng)型推薦系統(tǒng)的評估方法，涵蓋B端、C端和平臺等多個(gè)維度；了解推薦系統(tǒng)的數(shù)據(jù)工程，掌握獲取各類數(shù)據(jù)、構(gòu)建特征體系的方法；從業(yè)務(wù)視角理解召回、排序和決策智能方面的經(jīng)典算法和學(xué)術(shù)界有里程碑意義的算法；從技術(shù)和業(yè)務(wù)的雙重視角去規(guī)劃推薦算法工程師的成長路徑，以達(dá)到事半功倍的效果。

作者簡介

　　付聰博士，畢業(yè)于浙江大學(xué)計(jì)算機(jī)學(xué)院，美國南加州大學(xué)訪問學(xué)者，前阿里巴巴算法專家。工業(yè)級高性能高維數(shù)據(jù)檢索算法NSG、SSG的發(fā)明人，致力于推薦系統(tǒng)、搜索引擎前沿技術(shù)的研究和應(yīng)用。曾作為團(tuán)隊(duì)負(fù)責(zé)人，在千萬級DAU的電商及視頻業(yè)務(wù)場景下，成功實(shí)現(xiàn)了推薦系統(tǒng)、搜索引擎、搜推融合等技術(shù)方向的項(xiàng)目落地，積累了豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。學(xué)生時(shí)代師從國家優(yōu)秀青年學(xué)者蔡登教授與國家杰出青年學(xué)者、前滴滴研究院院長何曉飛教授。在人工智能、推薦系統(tǒng)、數(shù)據(jù)庫、數(shù)據(jù)挖掘、自然語言處理、神經(jīng)網(wǎng)絡(luò)、知識圖譜等多個(gè)領(lǐng)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(fā)表過多篇論文，并擔(dān)任TKDE、IJCAI、EMNLP、AAAI、Neuron Computing等國際會議審稿人。

圖書目錄

CONTENTS
目　　錄
前言
第一部分　業(yè)務(wù)驅(qū)動(dòng)下的推薦系統(tǒng)總覽
第1章　從業(yè)務(wù)視角看推薦系統(tǒng)2
　1.1　推薦系統(tǒng)的定義與商業(yè)價(jià)值2
1.1.1　推薦系統(tǒng)的基本概念
與業(yè)務(wù)驅(qū)動(dòng)思想3
1.1.2　淺談個(gè)性化推薦帶來的
商業(yè)價(jià)值7
　1.2　從運(yùn)營、算法與工程視角
看推薦系統(tǒng)7
1.2.1　推薦業(yè)務(wù)運(yùn)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(wù)產(chǎn)品化11
第2章　從業(yè)務(wù)視角看推薦系統(tǒng)的
頂層設(shè)計(jì)12
　2.1　業(yè)務(wù)驅(qū)動(dòng)下的推薦系統(tǒng)
設(shè)計(jì)思想12
2.1.1　業(yè)務(wù)無關(guān)的推薦系統(tǒng)
抽象13
2.1.2　推薦算法模塊核心能力
的建設(shè)15
　2.2　從系統(tǒng)框架透視業(yè)務(wù)生態(tài)
循環(huán)17
2.2.1　系統(tǒng)大圖剖析17
2.2.2　監(jiān)察者：埋點(diǎn)日志
服務(wù)17
2.2.3　業(yè)務(wù)大腦：數(shù)據(jù)計(jì)算、
分析及倉儲服務(wù)18
2.2.4　主循環(huán)系統(tǒng)：召回與
排序模塊19
2.2.5　副循環(huán)系統(tǒng)：運(yùn)營管控
與作業(yè)模塊21
2.2.6　新陳代謝：運(yùn)維與實(shí)驗(yàn)
平臺22
　2.3　迭代效率大化：圖化服務(wù)和
配置化迭代25
第3章　評估推薦系統(tǒng)的方式
與維度27
　3.1　業(yè)務(wù)驅(qū)動(dòng)型推薦系統(tǒng)的評估
要點(diǎn)27
3.1.1　體驗(yàn)優(yōu)先準(zhǔn)則和量化
方式28
3.1.2　評估推薦系統(tǒng)的
方法論29
3.1.3　從3種業(yè)務(wù)價(jià)值出發(fā)
設(shè)計(jì)評估體系31
　3.2　B端業(yè)務(wù)：B端用戶體驗(yàn)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(yù)測性32
3.2.3　投入產(chǎn)出比33
3.2.4　基尼指數(shù)34
　3.3　C端業(yè)務(wù)：C端用戶體驗(yàn)
的評估維度34
3.3.1　興趣相關(guān)性35
3.3.2　內(nèi)容質(zhì)量35
3.3.3　結(jié)果多樣性35
3.3.4　推薦驚喜性36
　3.4　平臺成長：平臺價(jià)值評估
維度36
3.4.1　產(chǎn)品調(diào)性和品牌
印象37
3.4.2　消費(fèi)與轉(zhuǎn)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(diào)研39
3.5.2　離線評估39
3.5.3　在線評估42
　3.6　AB實(shí)驗(yàn)42
3.6.1　AB實(shí)驗(yàn)中的流量切分
設(shè)計(jì)43
3.6.2　AB實(shí)驗(yàn)的通用流程44
3.6.3　實(shí)驗(yàn)結(jié)果的顯著性校驗(yàn)
和關(guān)聯(lián)分析44
3.6.4　實(shí)驗(yàn)報(bào)表與監(jiān)控
報(bào)警45
第二部分　推薦系統(tǒng)的數(shù)據(jù)工程
第4章　業(yè)務(wù)標(biāo)簽體系48
　4.1　業(yè)務(wù)標(biāo)簽體系概述48
4.1.1　業(yè)務(wù)標(biāo)簽體系的
含義48
4.1.2　業(yè)務(wù)標(biāo)簽體系的
價(jià)值49
4.1.3　標(biāo)簽體系為什么要業(yè)務(wù)
定制化49
　4.2　業(yè)務(wù)標(biāo)簽體系的設(shè)計(jì)思路50
4.2.1　業(yè)務(wù)標(biāo)簽體系的概念
設(shè)計(jì)50
4.2.2　業(yè)務(wù)標(biāo)簽體系的系統(tǒng)
設(shè)計(jì)52
　4.3　業(yè)務(wù)標(biāo)簽的挖掘方法53
4.3.1　提取式標(biāo)簽挖掘54
4.3.2　生成式標(biāo)簽挖掘55
4.3.3　基于主動(dòng)學(xué)習(xí)的人機(jī)
協(xié)同標(biāo)注系統(tǒng)56
4.3.4　標(biāo)簽改寫、糾錯(cuò)與
聚合56
4.3.5　標(biāo)簽權(quán)重計(jì)算57
　4.4　業(yè)務(wù)標(biāo)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(yè)務(wù)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(yè)務(wù)價(jià)值
和算法價(jià)值61
　5.2　用戶畫像設(shè)計(jì)61
5.2.1　用戶畫像概念體系
設(shè)計(jì)61
5.2.2　用戶畫像數(shù)據(jù)系統(tǒng)
設(shè)計(jì)64
　5.3　用戶畫像的構(gòu)建與迭代65
5.3.1　人工挖掘方法65
5.3.2　基于機(jī)器學(xué)習(xí)的挖掘
方法66
5.3.3　用戶畫像的優(yōu)化
迭代68
5.3.4　用戶畫像權(quán)重計(jì)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(tài)循環(huán)的血液：
數(shù)據(jù)獲取與處理73
　6.1　埋點(diǎn)日志服務(wù)與埋點(diǎn)體系的
設(shè)計(jì)思想73
6.1.1　埋點(diǎn)日志服務(wù)簡介74
6.1.2　業(yè)務(wù)驅(qū)動(dòng)的埋點(diǎn)體系
設(shè)計(jì)思想75
　6.2　可擴(kuò)展的業(yè)務(wù)埋點(diǎn)體系77
6.2.1　SPM埋點(diǎn)體系77
6.2.2　SCM埋點(diǎn)體系77
6.2.3　擴(kuò)展埋點(diǎn)體系EXT78
6.2.4　會話級埋點(diǎn)設(shè)計(jì)與
消費(fèi)路徑跟蹤78
　6.3　基于埋點(diǎn)數(shù)據(jù)的處理和分析79
6.3.1　常見重要數(shù)據(jù)指標(biāo)
釋義79
6.3.2　漏斗效應(yīng)和優(yōu)化
分析81
第7章　業(yè)務(wù)定制化特征和
樣本工程設(shè)計(jì)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(shè)計(jì)
思想85
　7.2　推薦系統(tǒng)特征設(shè)計(jì)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(nèi)容描述性特征87
7.2.4　內(nèi)容統(tǒng)計(jì)類特征88
7.2.5　內(nèi)容統(tǒng)計(jì)類特征
泛化88
7.2.6　用戶與內(nèi)容的交叉特征
設(shè)計(jì)89
7.2.7　用戶歷史行為序列
特征設(shè)計(jì)91
7.2.8　實(shí)時(shí)特征的定義和
價(jià)值92
7.2.9　實(shí)時(shí)統(tǒng)計(jì)特征設(shè)計(jì)和
數(shù)據(jù)流程92
7.2.10　基于機(jī)器學(xué)習(xí)的特征
構(gòu)造94
　7.3　特征應(yīng)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(qū)間
方法96
7.4.2　對數(shù)平滑方法97
7.4.3　百分位點(diǎn)離散化
方法97
　7.5　特征樣本構(gòu)造和模型訓(xùn)練97
　7.6　時(shí)間穿越及處理98
7.6.1　時(shí)間穿越的定義及
影響98
7.6.2　樣本現(xiàn)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(tǒng)的算法原理
　　　　　　與實(shí)踐
第8章　業(yè)務(wù)驅(qū)動(dòng)視角下的
召回技術(shù)104
　8.1　推薦系統(tǒng)召回技術(shù)概覽104
8.1.1　推薦系統(tǒng)召回技術(shù)的
業(yè)務(wù)定位104
8.1.2　業(yè)務(wù)驅(qū)動(dòng)下的召回
技術(shù)建模思維106
　8.2　召回中的策略框架108
8.