推薦序一
推薦序二
前言
第一部分　搜索和推薦系統(tǒng)的基礎(chǔ)
第1章　概率統(tǒng)計與應(yīng)用數(shù)學(xué)基礎(chǔ)知識 2
1.1　概率論基礎(chǔ) 2
1.1.1　概率定義 2
1.1.2　隨機變量 5
1.1.3　基礎(chǔ)的概率分布 5
1.1.4　期望、方差、標(biāo)準(zhǔn)差、協(xié)方差 8
1.2　線性代數(shù)基礎(chǔ) 10
1.2.1　矩陣 10
1.2.2　向量 10
1.2.3　張量 11
1.2.4　特征向量和特征值 12
1.2.5　奇異值分解 12
1.3　機器學(xué)習(xí)基礎(chǔ) 13
1.3.1　導(dǎo)數(shù) 13
1.3.2　梯度 14
1.3.3　最大似然估計 14
1.3.4　隨機過程與隱馬爾可夫模型 15
1.3.5　信息熵 16
1.4　本章小結(jié) 18
第2章　搜索系統(tǒng)和推薦系統(tǒng)常識 19
2.1　搜索系統(tǒng) 19
2.1.1　什么是搜索引擎及搜索系統(tǒng) 19
2.1.2　搜索引擎的發(fā)展史 21
2.1.3　搜索引擎的分類 22
2.2　推薦系統(tǒng) 23
2.2.1　什么是推薦系統(tǒng) 24
2.2.2　推薦系統(tǒng)的發(fā)展史 24
2.2.3　推薦系統(tǒng)應(yīng)用場景 25
2.2.4　推薦系統(tǒng)的分類 26
2.3　搜索與推薦的區(qū)別 29
2.4　本章小結(jié) 30
第3章　知識圖譜相關(guān)理論 31
3.1　知識圖譜概述 31
3.1.1　什么是知識圖譜 31
3.1.2　知識圖譜的價值 33
3.1.3　知識圖譜的架構(gòu) 35
3.1.4　知識圖譜的表示與建模 36
3.2　信息抽取 39
3.2.1　實體識別 40
3.2.2　關(guān)系抽取 46
3.3　知識融合 50
3.3.1　實體對齊 50
3.3.2　實體消歧 51
3.4　知識加工 53
3.4.1　知識推理 53
3.4.2　質(zhì)量評估 58
3.5　本章小結(jié) 58
第二部分　搜索系統(tǒng)的基本原理
第4章　搜索系統(tǒng)框架及原理 60
4.1　搜索系統(tǒng)的框架 60
4.1.1　基本框架 60
4.1.2　搜索引擎是如何工作的 62
4.2　數(shù)據(jù)收集及預(yù)處理 64
4.2.1　爬蟲 64
4.2.2　數(shù)據(jù)清洗 66
4.2.3　存儲空間及分布式設(shè)計 68
4.3　文本分析 70
4.3.1　查詢處理 71
4.3.2　意圖理解 82
4.3.3　其他文本分析方法 85
4.4　基于知識圖譜的搜索系統(tǒng) 90
4.5　本章小結(jié) 92
第5章　搜索系統(tǒng)中的主要算法 93
5.1　信息檢索基本模型 93
5.1.1　布爾模型 93
5.1.2　向量空間模型 94
5.1.3　概率檢索模型 96
5.1.4　其他模型 100
5.2　搜索和機器學(xué)習(xí) 102
5.2.1　排序?qū)W習(xí) 102
5.2.2　排序?qū)W習(xí)示例 107
5.3　搜索和深度學(xué)習(xí) 116
5.3.1　DNN模型 116
5.3.2　DSSM模型 118
5.3.3　Transformer 120
5.4　本章小結(jié) 126
第6章　搜索系統(tǒng)評價 127
6.1　搜索系統(tǒng)評價的意義 127
6.2　搜索系統(tǒng)的評價體系 127
6.2.1　效率評價 128
6.2.2　效果評價 130
6.3　本章小結(jié) 136
第三部分　推薦系統(tǒng)的基本原理
第7章　推薦系統(tǒng)框架及原理 138
7.1　推薦系統(tǒng)的框架及運行 138
7.1.1　基本框架 139
7.1.2　組件及功能 140
7.1.3　推薦引擎是如何工作的 141
7.1.4　推薦系統(tǒng)的經(jīng)典問題 142
7.2　推薦系統(tǒng)的冷啟動 145
7.3　推薦系統(tǒng)的召回策略 150
7.3.1　基于行為相似的召回 150
7.3.2　基于內(nèi)容相似的召回 153
7.4　推薦系統(tǒng)排序 160
7.4.1　特征選擇的方法 160
7.4.2　推薦系統(tǒng)的排序過程 164
7.5　基于知識圖譜的推薦系統(tǒng) 166
7.6　本章小結(jié) 168
第8章　推薦系統(tǒng)的主要算法 169
8.1　矩陣分解 169
8.1.1　奇異值分解 170
8.1.2　交替最小二乘 171
8.1.3　貝葉斯個性化排序 172
8.2　線性模型 174
8.2.1　FM模型 175
8.2.2　FFM模型 176
8.3　樹模型 177
8.3.1　決策樹模型 177
8.3.2　集成算法模型 183
8.4　深度學(xué)習(xí)模型 191
8.4.1　Wide & Deep模型 191
8.4.2　Deep FM模型 197
8.5　本章小結(jié) 199
第9章　推薦系統(tǒng)的評價 200
9.1　推薦評估的目的 200
9.2　推薦系統(tǒng)的評價指標(biāo) 200
9.2.1　RMSE和R方 204
9.2.2　MAP和MRR 204
9.2.3　其他相關(guān)指標(biāo) 205
9.3　推薦系統(tǒng)的評估實驗方法 206
9.3.1　離線評估 206
9.3.2　在線評估 209
9.3.3　主觀評估 213
9.4　本章小結(jié) 217
第四部分　應(yīng)用
第10章　搜索引擎工具 220
10.1　Lucene簡介 220
10.1.1　Lucene的由來及現(xiàn)狀 220
10.1.2　Lucene創(chuàng)建索引過程分析 223
10.1.3　Lucene的搜索過程解析 224
10.2　Solr簡介 226
10.2.1　Solr特性 228
10.2.2　Solr的核心概念 228
10.2.3　Solr的核心功能 228
10.3　Elasticsearch簡介 230
10.3.1　Elasticsearch的核心概念 230
10.3.2　Elasticsearch的核心功能 231
10.4　搜索引擎工具對比 232
10.5　本章小結(jié) 233
第11章　搜索應(yīng)用實戰(zhàn)：基于電商的搜索開發(fā) 234
11.1　電商搜索系統(tǒng)的架構(gòu)設(shè)計 234
11.2　ES在搜索系統(tǒng)中的應(yīng)用 236
11.3　NLP在搜索系統(tǒng)中的應(yīng)用 237
11.4　商品數(shù)據(jù)排序算法研究 240
11.5　搜索排序的評價及優(yōu)化 241
11.6　深度學(xué)習(xí)在搜索系統(tǒng)中的應(yīng)用 243
11.7　電商搜索系統(tǒng)中的SEM 243
11.8　本章小結(jié) 246
第12章　推薦應(yīng)用實戰(zhàn)：基于廣告平臺的推薦 247
12.1　推薦系統(tǒng)的架構(gòu)設(shè)計 247
12.2　推薦系統(tǒng)的召回和冷啟動 249
12.3　ES在推薦系統(tǒng)中的應(yīng)用 251
12.4　推薦系統(tǒng)中NLP的應(yīng)用 252
12.5　推薦系統(tǒng)中粗排和精排 253
12.6　推薦系統(tǒng)的評價和優(yōu)化 254
12.7　深度學(xué)習(xí)在推薦系統(tǒng)應(yīng)用 255
12.8　本章小結(jié) 257