检索匹配:深度学习在搜索、广告、推荐系统中的应用

检索匹配:深度学习在搜索、广告、推荐系统中的应用
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: 编著
2022-06
版次: 1
ISBN: 9787111706076
定价: 79.00
装帧: 其他
开本: 16开
纸张: 胶版纸
页数: 204页
字数: 299千字
  • 《检索匹配:深度学习在搜索、广告、推荐系统中的应用》主要介绍了深度学习在互联网核心的三大类业务(搜索、广告、推荐系统)检索系统中的应用。书中详细讲述了检索匹配的理论、演进历史,以及在业务中落地一个基于深度学习算法模型的全流程技能,包括业务问题建模、样本准备、特征抽取、模型训练和预测等,并提供了相应的代码。
      
      
      《检索匹配:深度学习在搜索、广告、推荐系统中的应用》共11章,分为四大部分。第1部分(第1~2章)介绍了深度学习的相关理论知识;第2部分(第3~6章)介绍了业务中如何上线一个深度学习模型,包括标签拼接、特征抽取、模型训练和预测等流程,采用单机实现;第3部分(第7~9章)介绍了检索算法基本理论以及演进历史,并以业内应用较为广泛的双塔模型DSSM为例进行了详细理论解析和代码实现;第4部分(第10~11章)介绍了如何将单机训练模式改造为分布式训练模式,以加快模型的训练速度,从而应对具有海量样本的业务场景。
      
      
      《检索匹配:深度学习在搜索、广告、推荐系统中的应用》为读者提供了全部案例源代码下载和超过180分钟的高清学习视频,读者可直接扫描二维码观看。
      
      
      《检索匹配:深度学习在搜索、广告、推荐系统中的应用》旨在为读者介绍深度学习在互联网业务中落地的方法和实现,主要面向算法工程师、相关领域研究人员和相关专业院校师生。 康善同,本科毕业于南京大学,于北京大学获得计算机系统结构硕士学位,有十余年的互联网大厂一线算法相关工作经验。 第1部分  理 论 准 备

    第1章 深度学习时代/

      1.1 深度学习的飞速发展/

      1.2 深度学习在互联网的应用/

          1.2.1 搜索/

          1.2.2 推荐/

          1.2.3 广告/

          1.2.4 通用检索流程/

      1.3 深度学习模型分类/

      1.4 模型服务中台/

      1.5 分布式机器学习/

      1.6 深度学习软件框架/

      1.7 小结/

    第2章 深度学习简介/

      2.1 生物神经网络/

      2.2 人工神经网络/

      2.3 业务问题建模/

      2.4 DNN的拟合能力/

      2.5 DNN的学习方式/

      2.6 CNN与RNN/

      2.7 小结/

    第2部分 设计与实现

    第3章 标签拼接/

      3.1 时间窗口/

      3.2 延迟反馈/

      3.3 样本集介绍/

          3.3.1 原始样本/

          3.3.2 广告基本信息表/

          3.3.3 用户基本信息表/

          3.3.4 用户的行为日志/

      3.4小结/

    第4章 特征处理/

      4.1 特征分类/

      4.2 特征体系/

      4.3 原始特征拼接/

          4.3.1 拼接方法/

          4.3.2 数据集特征拼接/

          4.3.3 代码/

      4.4 明文特征抽取/

          4.4.1 特征抽取算子/

          4.4.2 特征抽取示例/

      4.5 特征ID化/

          4.5.1 特征词表生成/

          4.5.2 ID化示例/

      4.6 代码说明/

      4.7 小结/

    第5章 模型构建/

      5.1 DNN求解/

          5.1.1 数学规划/

          5.1.2 DNN方法/

      5.2 模型层/

          5.2.1 输入层/

          5.2.2 神经网络层/

          5.2.3 激活函数层/

      5.3模型结构/

          5.3.1 DLRM模型/

          5.3.2 模型搭建/

      5.4 损失函数/

          5.4.1 MSE损失函数/

          5.4.2 CrossEntropy损失函数/

      5.5 优化器/

          5.5.1 SGD/

          5.5.2 Momentum/

          5.5.3 Nesterov/

          5.5.4 AdaGrad/

          5.5.5 Adam/

          5.5.6 扩展/

      5.6 小结/

    第6章 模型训练与预测/

      6.1 模型评估/

      6.2 模型训练/

          6.2.1 模型训练流程/

          6.2.2 模型训练技巧/

      6.3 模型预测/

      6.4 训练效果示例/

      6.5 模型优化/

      6.6 GPU应用/

      6.7 小结/

    第3部分 高级深度学习模型

    第7章 检索算法理论/

      7.1 检索算法抽象/

      7.2 有表示匹配/

          7.2.1 标签表示/

          7.2.2 分布式表示/

      7.3 无表示匹配/

      7.4 内容理解/

          7.4.1 自然语言处理/

          7.4.2 计算机视觉/

          7.4.3 一点思考/

      7.5 用户理解/

      7.6 总结/

    第8章 检索算法演进/

      8.1 前深度学习时代/

          8.1.1 LR/

          8.1.2 决策树/

          8.1.3 协同过滤/

          8.1.4 MF/

          8.1.5 算法应用/

      8.2 深度学习时代/

          8.2.1 精排模型演进/

          8.2.2 粗排模型演进/

          8.2.3 召回模型演进/

      8.3 小结/

    第9章 DSSM理论与实现/

      9.1 DSSM模型/

      9.2 DSSM实现/

      9.3 线上预测/

      9.4 ANN检索/

          9.4.1 基于树的方法/

          9.4.2 基于Hash的方法/

          9.4.3 基于图的方法/

          9.4.4 ANN检索效率比较/

      9.5 训练效果/

      9.6 模型优化/

      9.7 小结/

    第4部分 分布式机器学习

    第10章 计算机系统/

      10.1 单机系统/

          10.1.1 单机系统物理模型/

          10.1.2 单机系统程序编程/

      10.2 分布式系统/

          10.2.1 分布式计算/

          10.2.2 分布式存储/

          10.2.3 分布式协同通信/

          10.2.4 CAP理论/

          10.2.5 一点思考/

      10.3 分布式系统示例/

      10.4 分布式编程示例/

      10.5 小结/

    第11章 分布式机器学习设计与实现/

      11.1 机器学习应用系统设计/

      11.2 分布式机器学习设计/

          11.2.1 并行方式/

          11.2.2 节点协作方式/

          11.2.3 模型更新方式/

      11.3 常用的分布式学习框架/

      11.4 PS Lite介绍/

          11.4.1 代码架构/

          11.4.2 工作流程/

      11.5 分布式训练实现/

          11.5.1 架构设计/

          11.5.2 代码实现/

          11.5.3 程序运行/

          11.5.4 模型保存与加载/

          11.5.5 效果评估/

      11.6 小结/

    结语/

    附录/

    附录A 辅助学习资料/
  • 内容简介:
    《检索匹配:深度学习在搜索、广告、推荐系统中的应用》主要介绍了深度学习在互联网核心的三大类业务(搜索、广告、推荐系统)检索系统中的应用。书中详细讲述了检索匹配的理论、演进历史,以及在业务中落地一个基于深度学习算法模型的全流程技能,包括业务问题建模、样本准备、特征抽取、模型训练和预测等,并提供了相应的代码。
      
      
      《检索匹配:深度学习在搜索、广告、推荐系统中的应用》共11章,分为四大部分。第1部分(第1~2章)介绍了深度学习的相关理论知识;第2部分(第3~6章)介绍了业务中如何上线一个深度学习模型,包括标签拼接、特征抽取、模型训练和预测等流程,采用单机实现;第3部分(第7~9章)介绍了检索算法基本理论以及演进历史,并以业内应用较为广泛的双塔模型DSSM为例进行了详细理论解析和代码实现;第4部分(第10~11章)介绍了如何将单机训练模式改造为分布式训练模式,以加快模型的训练速度,从而应对具有海量样本的业务场景。
      
      
      《检索匹配:深度学习在搜索、广告、推荐系统中的应用》为读者提供了全部案例源代码下载和超过180分钟的高清学习视频,读者可直接扫描二维码观看。
      
      
      《检索匹配:深度学习在搜索、广告、推荐系统中的应用》旨在为读者介绍深度学习在互联网业务中落地的方法和实现,主要面向算法工程师、相关领域研究人员和相关专业院校师生。
  • 作者简介:
    康善同,本科毕业于南京大学,于北京大学获得计算机系统结构硕士学位,有十余年的互联网大厂一线算法相关工作经验。
  • 目录:
    第1部分  理 论 准 备

    第1章 深度学习时代/

      1.1 深度学习的飞速发展/

      1.2 深度学习在互联网的应用/

          1.2.1 搜索/

          1.2.2 推荐/

          1.2.3 广告/

          1.2.4 通用检索流程/

      1.3 深度学习模型分类/

      1.4 模型服务中台/

      1.5 分布式机器学习/

      1.6 深度学习软件框架/

      1.7 小结/

    第2章 深度学习简介/

      2.1 生物神经网络/

      2.2 人工神经网络/

      2.3 业务问题建模/

      2.4 DNN的拟合能力/

      2.5 DNN的学习方式/

      2.6 CNN与RNN/

      2.7 小结/

    第2部分 设计与实现

    第3章 标签拼接/

      3.1 时间窗口/

      3.2 延迟反馈/

      3.3 样本集介绍/

          3.3.1 原始样本/

          3.3.2 广告基本信息表/

          3.3.3 用户基本信息表/

          3.3.4 用户的行为日志/

      3.4小结/

    第4章 特征处理/

      4.1 特征分类/

      4.2 特征体系/

      4.3 原始特征拼接/

          4.3.1 拼接方法/

          4.3.2 数据集特征拼接/

          4.3.3 代码/

      4.4 明文特征抽取/

          4.4.1 特征抽取算子/

          4.4.2 特征抽取示例/

      4.5 特征ID化/

          4.5.1 特征词表生成/

          4.5.2 ID化示例/

      4.6 代码说明/

      4.7 小结/

    第5章 模型构建/

      5.1 DNN求解/

          5.1.1 数学规划/

          5.1.2 DNN方法/

      5.2 模型层/

          5.2.1 输入层/

          5.2.2 神经网络层/

          5.2.3 激活函数层/

      5.3模型结构/

          5.3.1 DLRM模型/

          5.3.2 模型搭建/

      5.4 损失函数/

          5.4.1 MSE损失函数/

          5.4.2 CrossEntropy损失函数/

      5.5 优化器/

          5.5.1 SGD/

          5.5.2 Momentum/

          5.5.3 Nesterov/

          5.5.4 AdaGrad/

          5.5.5 Adam/

          5.5.6 扩展/

      5.6 小结/

    第6章 模型训练与预测/

      6.1 模型评估/

      6.2 模型训练/

          6.2.1 模型训练流程/

          6.2.2 模型训练技巧/

      6.3 模型预测/

      6.4 训练效果示例/

      6.5 模型优化/

      6.6 GPU应用/

      6.7 小结/

    第3部分 高级深度学习模型

    第7章 检索算法理论/

      7.1 检索算法抽象/

      7.2 有表示匹配/

          7.2.1 标签表示/

          7.2.2 分布式表示/

      7.3 无表示匹配/

      7.4 内容理解/

          7.4.1 自然语言处理/

          7.4.2 计算机视觉/

          7.4.3 一点思考/

      7.5 用户理解/

      7.6 总结/

    第8章 检索算法演进/

      8.1 前深度学习时代/

          8.1.1 LR/

          8.1.2 决策树/

          8.1.3 协同过滤/

          8.1.4 MF/

          8.1.5 算法应用/

      8.2 深度学习时代/

          8.2.1 精排模型演进/

          8.2.2 粗排模型演进/

          8.2.3 召回模型演进/

      8.3 小结/

    第9章 DSSM理论与实现/

      9.1 DSSM模型/

      9.2 DSSM实现/

      9.3 线上预测/

      9.4 ANN检索/

          9.4.1 基于树的方法/

          9.4.2 基于Hash的方法/

          9.4.3 基于图的方法/

          9.4.4 ANN检索效率比较/

      9.5 训练效果/

      9.6 模型优化/

      9.7 小结/

    第4部分 分布式机器学习

    第10章 计算机系统/

      10.1 单机系统/

          10.1.1 单机系统物理模型/

          10.1.2 单机系统程序编程/

      10.2 分布式系统/

          10.2.1 分布式计算/

          10.2.2 分布式存储/

          10.2.3 分布式协同通信/

          10.2.4 CAP理论/

          10.2.5 一点思考/

      10.3 分布式系统示例/

      10.4 分布式编程示例/

      10.5 小结/

    第11章 分布式机器学习设计与实现/

      11.1 机器学习应用系统设计/

      11.2 分布式机器学习设计/

          11.2.1 并行方式/

          11.2.2 节点协作方式/

          11.2.3 模型更新方式/

      11.3 常用的分布式学习框架/

      11.4 PS Lite介绍/

          11.4.1 代码架构/

          11.4.2 工作流程/

      11.5 分布式训练实现/

          11.5.1 架构设计/

          11.5.2 代码实现/

          11.5.3 程序运行/

          11.5.4 模型保存与加载/

          11.5.5 效果评估/

      11.6 小结/

    结语/

    附录/

    附录A 辅助学习资料/
查看详情
相关图书 / 更多
检索匹配:深度学习在搜索、广告、推荐系统中的应用
说扬州:明清商业之都的沉浮
[澳]安东篱
检索匹配:深度学习在搜索、广告、推荐系统中的应用
活在日本的鲁迅
赵京华
检索匹配:深度学习在搜索、广告、推荐系统中的应用
文学之家:那些被经典小说创造的传奇建筑
[英]克里斯蒂娜·哈迪曼特 著;齐彦婧 译文;未读 出品
检索匹配:深度学习在搜索、广告、推荐系统中的应用
儒学与明治维新
[日]小岛毅
检索匹配:深度学习在搜索、广告、推荐系统中的应用
国文课:中国文脉十五讲
徐晋如
检索匹配:深度学习在搜索、广告、推荐系统中的应用
神奇故事的历史根源
[俄罗斯]弗拉基米尔·雅可夫列维奇·普罗普 著贾放 译
检索匹配:深度学习在搜索、广告、推荐系统中的应用
大英图书馆太平洋简史
[英]菲利普·J. 哈特菲尔德(Philip J. Hatfield)
检索匹配:深度学习在搜索、广告、推荐系统中的应用
画里浮生:中国画的隐秘记忆
金哲为 著
检索匹配:深度学习在搜索、广告、推荐系统中的应用
知识生成的图像史
尹吉男
检索匹配:深度学习在搜索、广告、推荐系统中的应用
中华帝国晚期的大众文化
[美]罗友枝 黎安友 姜士彬 主编;赵世玲 译;赵世瑜 审校
检索匹配:深度学习在搜索、广告、推荐系统中的应用
黑老虎集:中国碑帖之美
胡竹峰
检索匹配:深度学习在搜索、广告、推荐系统中的应用
中亚行纪
[挪威]埃丽卡·法特兰 著;理想国 出品