检索匹配

《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...

(展开全部)

《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。

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/
· · · · · · (更多)

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/
· · · · · · (收起)