具体描述
本书的内容设置由浅入深，从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者，还是有一定经验的从业人员，相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍，本书引入了已被实践证明效果较好的深度学习推荐技术，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用，并给出了相关的实践代码；除了在算法层面讲解推荐系统的实现，还从工程层面详细阐述推荐系统如何搭建.
作者简介
本书的几位作者都在大型互联网公司从事与推荐系统相关的实践与研究，通过这本书，把推荐系统工作经验予以总结，以帮助想从事推荐系统的工作者或推荐系统爱好者。
目录信息
1.1 推荐系统的概念.1
1.1.1 推荐系统的基本概念1
1.1.2 深度学习与推荐系统4
第2 章深度神经网络.7
2.1 什么是深度学习.7
2.1.1 深度学习的三次兴起7
2.1.2 深度学习的优势9
2.2 神经网络基础11
2.2.1 神经元11
2.2.2 神经网络.12
2.2.3 反向传播.13
2.2.4 优化算法.14
2.3 卷积网络基础17
2.3.1 卷积层17
2.3.2 池化层19
2.3.3 常见的网络结构19
2.4 循环网络基础21
2.4.1 时序反向传播算法22
2.4.2 长短时记忆网络24
2.5 生成对抗基础25
2.5.1 对抗博弈.26
2.5.2 理论推导.27
2.5.3 常见的生成对抗网络29
iv j 推荐系统与深度学习
第3 章TensorFlow 平台31
3.1 什么是TensorFlow 31
3.2 TensorFlow 安装指南.33
3.2.1 Windows 环境安装.33
3.2.2 Linux 环境安装.34
3.3 TensorFlow 基础.36
3.3.1 数据流图.36
3.3.2 会话37
3.3.3 图可视化.37
3.3.4 变量37
3.3.5 占位符38
3.3.6 优化器38
3.3.7 一个简单的例子38
3.4 其他深度学习平台39
第4 章推荐系统的基础算法42
4.1 基于内容的推荐算法.42
4.1.1 基于内容的推荐算法基本流程42
4.1.2 基于内容推荐的特征提取.45
4.2 基于协同的推荐算法.47
4.2.1 基于物品的协同算法49
4.2.2 基于用户的协同算法57
4.2.3 基于用户协同和基于物品协同的区别59
4.2.4 基于矩阵分解的推荐方法.61
4.2.5 基于稀疏自编码的推荐方法.71
4.3 基于社交网络的推荐算法80
4.3.1 基于用户的推荐在社交网络中的应用81
4.3.2 node2vec 技术在社交网络推荐中的应用85
4.4 推荐系统的冷启动问题94
4.4.1 如何解决推荐系统冷启动问题94
4.4.2 深度学习技术在物品冷启动上的应用101
目录j v
第5 章混合推荐系统119
5.1 什么是混合推荐系统.119
5.1.1 混合推荐系统的意义120
5.1.2 混合推荐系统的算法分类.122
5.2 推荐系统特征处理方法125
5.2.1 特征处理方法126
5.2.2 特征选择方法134
5.3 常见的预测模型141
5.3.1 基于逻辑回归的模型141
5.3.2 基于支持向量机的模型.144
5.3.3 基于梯度提升树的模型.148
5.4 排序学习150
5.4.1 基于排序的指标来优化.150
5.4.2 L2R 算法的三种情形.152
第6 章基于深度学习的推荐模型156
6.1 基于DNN 的推荐算法156
6.2 基于DeepFM 的推荐算法163
6.3 基于矩阵分解和图像特征的推荐算法171
6.4 基于循环网络的推荐算法.174
6.5 基于生成对抗网络的推荐算法.176
6.5.1 IRGAN 的代码实现.179
第7 章推荐系统架构设计.183
7.1 推荐系统基本模型183
7.2 推荐系统常见架构185
7.2.1 基于离线训练的推荐系统架构设计185
7.2.2 面向深度学习的推荐系统架构设计191
7.2.3 基于在线训练的推荐系统架构设计194
7.2.4 面向内容的推荐系统架构设计197
7.3 推荐系统常用组件199
7.3.1 数据上报常用组件199
vi j 推荐系统与深度学习
7.3.2 离线存储常用组件200
7.3.3 离线计算常用组件200
7.3.4 在线存储常用组件201
7.3.5 模型服务常用组件201
7.3.6 实时计算常用组件201
7.4 推荐系统常见问题201
7.4.1 实时性.201
7.4.2 多样性.202
7.4.3 曝光打击和不良内容过滤.202
7.4.4 评估测试.202
后记.203
图1.1 淘宝猜你喜欢栏目2
图1.2 百度指数.4
图1.3 歌曲词嵌入模型空间向量.6
图2.1 神经网络的三次兴起8
图2.2 不同层数的神经网络拟合分界面的能力.10
图2.3 不同层数的神经网络表示能力10
图2.4 神经网络的基本结构11
图2.5 感知器算法12
图2.6 三层全连接神经网络13
图2.7 动量对比.16
图2.8 卷积运算.18
图2.9 池化层19
图2.10 LeNet 卷积结构.20
图2.11 Alex-Net 卷积结构20
图2.12 RNN 21
图2.13 LSTM 在t 时刻的内部结构24
图2.14 GAN 网络25
图3.1 TensorFlow 安装截图34
图3.2 TensorBoard 计算37
图4.1 腾讯视频APP 推荐页面.44
图4.2 截取自当当网.49
图4.3 截取自QQ 音乐APP.49
图4.4 用户购买物品记录50
图4.5 同时被购买次数矩阵C 51
图4.6 相似度计算结果1 52
图4.7 相似度计算结果2 54
viii j 推荐系统与深度学习
图4.8 相似度计算结果3 55
图4.9 截取自当当网.57
图4.10 物品的倒排索引57
图4.11 用户评分矩阵.63
图4.12 Sigma 值64
图4.13 NewData 值65
图4.14 Mydata 值65
图4.15 自编码神经网络模型72
图4.16 稀疏自编码第一个网络.73
图4.17 稀疏自编码第二个网络.74
图4.18 稀疏自编码第三个网络.75
图4.19 将三个网络组合起来75
图4.20 社交网络关系图示例81
图4.21 融入用户关系和物品关系82
图4.22 社交网络关系图示例86
图4.23 社交网络关系图示例86
图4.24 CBOW 和Skip-Gram 示例.88
图4.25 Skip-Gram 网络结构89
图4.26 CBOW 网络结构91
图4.27 word analogy 示例93
图4.28 某网站登录页面95
图4.29 QQ 互联开放注册平台1 96
图4.30 QQ 互联开放注册平台2 97
图4.31 QQ 互联应用管理页面1 97
图4.32 QQ 互联应用管理页面2 97
图4.33 QQ 互联QQ 登录功能获取97
图4.34 QQ 音乐APP 中的偏好选择98
图4.35 (a) 为每部电影被打分的分布，(b) 为每个用户打分的分布100
图4.36 (a) 为每部电影平均分分布，(b) 为每个用户平均分分布.100
图4.37 基于专家数据的CF 与基于用户数据CF 比较.101
图目录j ix
图4.38 音乐频谱示例102
图4.39 4 个流派的频谱图示例103
图4.40 CNN 音频分类结构.103
图4.41 CNN+LSTM 组合音频分类模型.104
图4.42 分类预测结果的混淆矩阵104
图4.43 模型倒数第二层128 维向量降维可视化104
图4.44 微软how-old.net 107
图4.45 SCUT-FBP 数据集示例图108
图4.46 脸部截取后的数据集示例图.108
图4.47 CNN 层数过多，误差反而较大113
图4.48 残差网络的基本结构113
图4.49 残差网络完整结构.114
图5.1 NetFlix 的实时推荐系统的架构图120
图5.2 整体式混合推荐系统125
图5.3 并行式混合推荐系统125
图5.4 流水线式混合推荐系统.125
图5.5 MDLP 特征离散化130
图5.6 ChiMerge 特征离散化.131
图5.7 层次化时间按序列特征.133
图5.8 Learn to rank 的局限153
图6.1 Wide & Deep 模型结构157
图6.2 推荐系统的召回和排序两个阶段158
图6.3 召回模型结构.159
图6.4 序列信息160
图6.5 排序模型结构.161
图6.6 不同NN 的效果162
图6.7 DeepFM 模型结构(网络左边为FM 层，右边为DNN 层).164
图6.8 FM 一阶部分165
图6.9 FM 二阶部分166
图6.10 FM/DNN/DeepFM 的比较171
x j 推荐系统与深度学习
图6.11 电影静止帧图片举例172
图6.12 Alex-Net 卷积网络.173
图6.13 左图：时间无关的推荐系统。右图：时间相关的推荐系统174
图6.14 基于循环神经网络的推荐系统175
图6.15 判别器177
图6.16 生成器178
图6.17 IRGAN 说明179
图7.1 监督学习基本模型.184
图7.2 基于离线训练的推荐系统架构设计186
图7.3 数据上报模块.187
图7.4 离线训练模块.187
图7.5 推荐系统中的存储分层.188
图7.6 在线预测的几个阶段189
图7.7 推荐系统通用性设计190
图7.8 面向深度学习的推荐系统架构设计191
图7.9 利用深度学习进行特征提取192
图7.10 参数服务器架构193
图7.11 基于在线训练的推荐系统架构设计195
图7.12 在线学习之实时特征处理196
图7.13 面向内容的推荐系统架构设计198
图7.14 用于推荐的内容池.198
图7.15 Apache Kafka 逻辑架构.200
表4.1 用户A 和B 的评分矩阵.43
表4.2 电影内容特征二进制表示45
表4.3 人脸魅力值打分不同模型的MAE 比较112
表4.4 人脸魅力值打分不同模型的MAE 比较117
表4.5 Keras 预训练好的图像分类模型118
· · · · · · (收起)
读后感
内容质量非常差，代码大量抄袭网上博客，很多代码无法正常运行，相关测试数据根本找不到。 部分书中明显错误： P54页，热门物品惩罚，α越大，对i的惩罚越大，并且一般情况下在[0.5,1)之间。 P58页，代码中括号错误 P58页，上下两段代码正确性存疑 上部分代码构造了一个二维的d...
评分本书可以作为一门入门读物来读，以对推荐系统和深度学习有一个感性认识，但全书漏洞挺多，不够严谨，总体来讲质量一般。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。...
评分真的很差。 开始看到商城里面的差评我还在想有这么差吗，但是看目录介绍还可以啊。结果看到三分之一的时候，差评说得对啊。真的看开头的时候以为是一本还凑合的参考书，越看越不对劲，文中出现了较多错误，包括代码和文字很多都感觉像是网上扒的，甚至能在代码中直接看到CSDN博...
评分真是浪费时间，这本书就是将网上的博客、arXiv上的论文抄袭一遍，抄就算了，还各种小错误，有很多公式都是错的，都没有审核？每一章就是简要介绍，最奇葩的是有一些概念还是理解错误的，估计这几个作者自己都不懂，最后就是这些贴的代码，感觉就是凑页数用的，现在出书的门槛真...
评分真的很差。 开始看到商城里面的差评我还在想有这么差吗，但是看目录介绍还可以啊。结果看到三分之一的时候，差评说得对啊。真的看开头的时候以为是一本还凑合的参考书，越看越不对劲，文中出现了较多错误，包括代码和文字很多都感觉像是网上扒的，甚至能在代码中直接看到CSDN博...
用户评价
从排版和内容组织上看，这本书的严谨性令人称道。它不像许多技术书籍那样，在理论介绍后就戛然而止，而是对每一种核心算法的**性能瓶颈与优化策略**进行了详尽的实战分析。例如，在讨论了自注意力机制（Self-Attention）在推荐场景中的应用后，作者立即指出其在超长序列上的二次复杂度问题，并引出了线性注意力模型（如Performer或Linformer）的替代方案，并分析了不同线性化近似带来的信息损失。这表明作者不仅了解技术本身，更深知在资源受限的生产环境中部署这些技术的现实挑战。对于我这种需要频繁向管理层汇报技术选型理由的人来说，书中关于模型计算成本、内存占用和推理延迟的横向对比分析，是做决策时的宝贵参考资料，它将理论的美感与工程的残酷现实完美地结合在了一起，真正做到了知行合一。
评分这本书的叙事节奏有一种奇特的魔力，它总能在我快要被复杂的数学公式绕晕时，突然抛出一个**极富前瞻性的行业趋势分析**，将我拉回到宏观的商业价值层面。我特别喜欢其中关于“冷启动问题”的章节，它没有使用陈词滥调，而是聚焦于如何利用元学习（Meta-Learning）技术，让模型在面对全新用户或新商品时，能够“学会如何学习”。书中详细拆解了一个基于MAML（Model-Agnostic Meta-Learning）的快速适应推荐框架，从损失函数的构造到梯度下降的步长控制，都给出了非常细致的指导。此外，对多目标优化（Multi-Objective Optimization）的讨论也极为精辟，它不再是简单地将不同目标加权相加，而是引入了Pareto优化和基于梯度的多任务学习方法，展示了如何在满足用户点击率的同时，兼顾停留时长和多样性等微妙的平衡点。这种对工程实践中“鱼和熊掌如何兼得”问题的直面，让人深感其价值非凡。
评分读完后，我感觉自己的思维模型得到了极大的拓宽，特别是关于**可解释性AI（XAI）在推荐系统中的融合**这一章。在当前的监管环境下，仅仅提供高准确率的推荐已经远远不够，用户和业务方需要知道“为什么”系统会做出这样的推荐。作者非常巧妙地引入了如SHAP值和LIME等方法，并展示了如何将其嵌入到复杂的Transformer架构中，生成既定量又定性的解释信号。令人耳目一新的是，书中探讨了如何利用因果推断的视角来评估推荐策略的长期效果，这超越了传统离线评估指标的局限性。这种对“决策透明度”的关注，体现了作者深厚的行业沉淀。对于那些在金融科技、医疗健康等高风险领域部署推荐系统的开发者而言，这本书提供的视角是至关重要的，它教会我们如何平衡模型性能与合规性要求，构建更负责任的AI系统。
评分这本书简直是为那些渴望在复杂的数据洪流中找到清晰航向的工程师和研究人员量身定制的指南。我花了整整一个周末沉浸其中，最让我印象深刻的是它对**大规模图计算框架在实时推荐场景中的应用**的深入剖析。作者没有停留在理论层面，而是详尽地展示了如何利用如Spark GraphX或DGL这样的工具，构建一个能够处理PB级用户行为数据的图神经网络模型。书中对**特征工程的艺术性**进行了极富洞察力的讨论，特别是如何将非结构化的文本评论和时间序列的点击流，转化为深度学习模型可以有效利用的稠密向量。举例来说，它对如何设计一个鲁棒的负采样策略来应对数据稀疏性问题，给出了超越教科书的实战建议，让我立刻想回去优化我们当前线上模型的表现。对于任何一个正在构建或维护高并发、高吞吐量推荐系统的团队来说，这本书提供的不仅仅是知识，更是一种可以立即落地的工程方法论，它清晰地勾勒出从数据采集、模型训练到A/B测试全链路的工业级实践路径。
评分我是一位资深的数据科学家，通常对市面上充斥着大量“套壳”的教材感到厌倦。然而，这本书在**时序数据处理与动态推荐**这一块的表现，完全达到了我的预期，甚至有所超越。它没有回避深度学习模型在处理高频变化的用户偏好时的内在不稳定性。书中深入探讨了如何利用循环神经网络（RNN）的变体，如GRU-D和LSTM with Attention，来捕捉用户行为序列中的长期依赖性和突发性兴趣迁移。最让我眼前一亮的是，作者探讨了如何将强化学习（RL）的思想融入到推荐系统的排序层。通过将用户的后续反馈视为环境的奖励信号，建立一个Actor-Critic框架，实现在线策略的实时迭代。这种将经典控制理论与尖端深度学习相结合的范式转换，提供了一个全新的视角来思考“序列决策”问题，远比那些只关注静态嵌入的教材要深刻得多。
评分硬凑
评分只能说内容挺全，但写书的人数学一定不好，公式一点不规范，一堆错误，不校对？互联网公司员工组团写书骗钱？？？
评分只能说内容挺全，但写书的人数学一定不好，公式一点不规范，一堆错误，不校对？互联网公司员工组团写书骗钱？？？
评分乍一看啥都有，仔细一看啥都只有一点点。
评分每一章节介绍比较浅尝辄止吧。感觉像是一些论文的翻译和本地化（比如把wide&deep原文里的user_installed_app=netflix改成国内的app），以及技术博客的拼接。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有