掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計(jì)算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈(zèng)1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
中圖價(jià):¥55.9
加入購(gòu)物車
推薦系統(tǒng):產(chǎn)品與算法解析 版權(quán)信息
- ISBN：9787115635433
- 條形碼：9787115635433 ; 978-7-115-63543-3
- 裝幀：簡(jiǎn)裝本
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
推薦系統(tǒng):產(chǎn)品與算法解析 本書特色
1. 創(chuàng)新性：推薦系統(tǒng)如今已經(jīng)廣泛存在于各互聯(lián)網(wǎng)產(chǎn)品中，本書從產(chǎn)品視角出發(fā)梳理推薦系統(tǒng)在各領(lǐng)域中的產(chǎn)品設(shè)計(jì)、經(jīng)典技術(shù)和*新技術(shù)的發(fā)展歷程，以及雅虎、谷歌、YouTube、阿里、小紅書、字節(jié)跳動(dòng)等大型互聯(lián)網(wǎng)公司的解決方案。
2. 專業(yè)性：本書作者王超曾任百度杰出架構(gòu)師，理論高度與實(shí)踐經(jīng)驗(yàn)俱佳，且因其代表作《計(jì)算廣告》而擁有良好的口碑和知名度。
3. 系統(tǒng)性與實(shí)用性：本書先從宏觀視角講解推薦產(chǎn)品從0到1的破局之道，再深入到信息推薦、社交和社區(qū)推薦、視頻推薦、電商推薦這4類典型推薦系統(tǒng)中講解產(chǎn)品與算法設(shè)計(jì)，以及國(guó)內(nèi)外企業(yè)在推薦領(lǐng)域的實(shí)踐。
推薦系統(tǒng):產(chǎn)品與算法解析 內(nèi)容簡(jiǎn)介
本書以媒介變遷為整體脈絡(luò)，通過幾類推薦產(chǎn)品的發(fā)展趨勢(shì)來探討推薦產(chǎn)品創(chuàng)新的核心驅(qū)動(dòng)力，以及由具體產(chǎn)品特性引發(fā)的技術(shù)變革。
全書內(nèi)容分為5部分。**部分從宏觀視角探討推薦產(chǎn)品從0到1進(jìn)行創(chuàng)新的產(chǎn)品思路和技術(shù)思路；第二部分介紹革新傳統(tǒng)紙質(zhì)媒介的新聞推薦和資訊推薦，包括關(guān)鍵算法設(shè)計(jì)和產(chǎn)品設(shè)計(jì)；第三部分介紹構(gòu)建線上社交網(wǎng)絡(luò)的社交和社區(qū)推薦，以及如何通過協(xié)同過濾算法模擬社交網(wǎng)絡(luò)；第四部分從產(chǎn)品、生態(tài)和算法設(shè)計(jì)的角度，介紹革新傳統(tǒng)影視行業(yè)的視頻推薦；第五部分以阿里推薦產(chǎn)品及其新興的競(jìng)爭(zhēng)產(chǎn)品為例，介紹革新傳統(tǒng)貨架電商的商品推薦。
推薦系統(tǒng):產(chǎn)品與算法解析 目錄
第 一部分 推薦產(chǎn)品的破局之道
第 1章 產(chǎn)品創(chuàng)新引領(lǐng)的供給側(cè)變革 3
1.1 媒介創(chuàng)新比內(nèi)容更重要 3
1.1.1 媒介變遷的趨勢(shì)展望 3
1.1.2 推薦產(chǎn)品的演化方向 6
1.2 把控上游的創(chuàng)作工具 9
1.2.1 創(chuàng)作工具的戰(zhàn)略價(jià)值 9
1.2.2 策采編發(fā)的全鏈路重塑 11
1.3 激勵(lì)相容的生態(tài)機(jī)制創(chuàng)新 13
1.3.1 從廣告拍賣機(jī)制說起 13
1.3.2 推薦中的生態(tài)機(jī)制設(shè)計(jì) 15
第 2章 技術(shù)創(chuàng)新引領(lǐng)的供給側(cè)變革 18
2.1 殊途的CV與NLP范式 18
2.1.1 從人工特征到CNN結(jié)構(gòu) 19
2.1.2 從專家系統(tǒng)到RNN結(jié)構(gòu) 21
2.2 走向融合的CV與NLP范式 25
2.2.1 從注意力機(jī)制到Transformer 25
2.2.2 只需Transformer的內(nèi)容理解 30
2.2.3 自回歸、生成對(duì)抗和擴(kuò)散范式下的內(nèi)容生成 33
2.2.4 大模型時(shí)代的推薦產(chǎn)業(yè)變革 39
第3章 從產(chǎn)品視角看需求側(cè)增長(zhǎng) 43
3.1 從AARRR模型看用戶增長(zhǎng) 43
3.1.1 獲客渠道的選擇 44
3.1.2 激活的定義和誤區(qū) 46
3.1.3 從留存曲線看產(chǎn)品優(yōu)化 47
3.1.4 產(chǎn)品的商業(yè)化變現(xiàn) 49
3.2 從網(wǎng)絡(luò)效應(yīng)視角看用戶增長(zhǎng) 50
3.2.1 從網(wǎng)絡(luò)效應(yīng)看推薦產(chǎn)品演進(jìn) 50
3.2.2 供需匹配的破局策略 53
3.2.3 理解網(wǎng)絡(luò)效應(yīng)時(shí)的常見誤區(qū) 55
第4章 E&E視角下的新用戶推薦 58
4.1 單狀態(tài)假設(shè)下的Bandit策略 58
4.1.1 MAB問題的定義與評(píng)價(jià) 58
4.1.2 主流Bandit策略介紹 60
4.2 MDP假設(shè)下的模型RL方法 63
4.2.1 從通盤決策的AlphaGo說起 63
4.2.2 從模型RL視角看新用戶推薦 67
4.2.3 基于模型RL的實(shí)踐思路 68
第5章 元學(xué)習(xí)視角下的新用戶推薦 72
5.1 快速自適應(yīng)參數(shù)的范式 72
5.1.1 模型無關(guān)的MAML方法 72
5.1.2 MAML方法的推薦實(shí)踐 74
5.2 基于比較歸納的范式 77
5.2.1 從度量學(xué)習(xí)到對(duì)比學(xué)習(xí) 77
5.2.2 比較歸納方法的推薦實(shí)踐 80
5.3 仿生記憶機(jī)制的范式 82
5.3.1 從神經(jīng)圖靈機(jī)到大模型 82
5.3.2 仿生記憶方法的推薦實(shí)踐 86
第6章 A/B測(cè)試是增長(zhǎng)的銀彈嗎 88
6.1 A/B測(cè)試的原理和優(yōu)勢(shì) 88
6.1.1 A/B測(cè)試的原理 88
6.1.2 A/B測(cè)試的優(yōu)勢(shì) 91
6.2 濫用A/B測(cè)試時(shí)的增長(zhǎng)困境 92
6.2.1 難以優(yōu)化留存等長(zhǎng)期目標(biāo) 92
6.2.2 難以反向優(yōu)化出新市場(chǎng) 95
6.2.3 難以做出真正的產(chǎn)品創(chuàng)新 97
第二部分 信息推薦
第7章 瞬息萬變的新聞推薦 103
7.1 曾統(tǒng)治硅谷的雅虎 103
7.1.1 雅虎門戶的發(fā)展史 103
7.1.2 雅虎新聞推薦的興衰 105
7.2 針對(duì)突發(fā)新聞的實(shí)時(shí)推薦策略 107
7.2.1 非穩(wěn)態(tài)分布下的E&E策略 107
7.2.2 快慢結(jié)合的模型更新范式 109
7.2.3 讓特征動(dòng)起來的樹模型 111
第8章 獲取信息的資訊推薦 114
8.1 屢失良機(jī)的谷歌推薦 114
8.1.1 對(duì)推薦產(chǎn)品崛起的遲鈍 114
8.1.2 困于搜索思維的推薦生態(tài) 117
8.2 相關(guān)性需求下的信息檢索技術(shù) 120
8.2.1 語義匹配的主流技術(shù) 120
8.2.2 近無損全庫(kù)遍歷的ANN檢索 123
8.3 從峰終定律看排序策略設(shè)計(jì) 125
8.3.1 不同需求模式下的體驗(yàn)設(shè)計(jì) 125
8.3.2 明確需求下的NDCG優(yōu)化 127
8.3.3 多元需求下的多樣性優(yōu)化 131
第三部分 社交和社區(qū)推薦
第9章 永遠(yuǎn)年輕的社交產(chǎn)品 137
9.1 社交推薦中優(yōu)化的關(guān)鍵 137
9.1.1 強(qiáng)化社交效用時(shí)的原則 137
9.1.2 優(yōu)化內(nèi)容效用的路徑選擇 139
9.2 從Facebook看社交效用優(yōu)化 140
9.2.1 更高效的社交資本積累 140
9.2.2 更高效的社交關(guān)系維系 143
9.3 從交友產(chǎn)品看雙向推薦問題 144
9.3.1 滿意即流失的婚戀場(chǎng)景 144
9.3.2 促成線上雙向匹配的Tinder 145
9.3.3 促成線下穩(wěn)定婚配的Hinge 147
9.4 社交場(chǎng)景中的推薦策略 148
9.4.1 社交媒體中的推薦策略 148
9.4.2 穩(wěn)定婚配假設(shè)下的GS算法 149
9.4.3 傳統(tǒng)推薦的雙向匹配改造 151
第 10章 春耕秋收的社區(qū)產(chǎn)品 154
10.1 社區(qū)產(chǎn)品的培育原則 154
10.1.1 以人為核心的原創(chuàng)內(nèi)容 154
10.1.2 強(qiáng)化關(guān)系的穩(wěn)定建立 156
10.1.3 引導(dǎo)角色的良性分化 158
10.2 從媒介側(cè)創(chuàng)新的Instagram 161
10.2.1 從文到圖的媒介變革 161
10.2.2 恰到好處的創(chuàng)作工具 162
10.2.3 從創(chuàng)作工具向社區(qū)轉(zhuǎn)型 164
10.3 無為而治的Reddit 165
10.3.1 顯式組織的社區(qū)結(jié)構(gòu) 165
10.3.2 簡(jiǎn)單健壯的投票機(jī)制 167
第 11章 模擬社交的協(xié)同過濾 169
11.1 推薦系統(tǒng)的起源 169
11.1.1 更相信人的智慧的Tapestry 169
11.1.2 仿真協(xié)同關(guān)系的GroupLens 170
11.2 對(duì)協(xié)同關(guān)系的仿真建模 172
11.2.1 從復(fù)雜網(wǎng)絡(luò)看推薦系統(tǒng) 172
11.2.2 對(duì)局部近鄰關(guān)系的仿真 177
11.2.3 對(duì)全局拓?fù)浣Y(jié)構(gòu)的仿真 179
11.3 基于仿真關(guān)系的協(xié)同推薦 183
11.3.1 協(xié)同過濾的核心優(yōu)勢(shì) 183
11.3.2 應(yīng)用協(xié)同關(guān)系的在線環(huán)節(jié) 185
第四部分 視頻推薦
第 12章 降低決策成本的電影推薦 189
12.1 電影推薦的傳奇奈飛 189
12.1.1 奈飛對(duì)百視達(dá)的逆襲 189
12.1.2 奈飛對(duì)自我的不斷革新 191
12.2 優(yōu)化線下體驗(yàn)的評(píng)分預(yù)測(cè) 193
12.2.1 評(píng)分預(yù)測(cè)產(chǎn)品的興衰 193
12.2.2 評(píng)分預(yù)測(cè)算法的演進(jìn)趨勢(shì) 195
第 13章 和電視競(jìng)爭(zhēng)的短視頻推薦 200
13.1 激勵(lì)相容的YouTube生態(tài)機(jī)制 200
13.1.1 多方受益的Content ID機(jī)制 201
13.1.2 穩(wěn)固自建生態(tài)的YPP機(jī)制 202
13.1.3 革新廣告效率的TrueView機(jī)制 203
13.2 直面海量候選的深度學(xué)習(xí)召回 204
13.2.1 召回的里程碑：YouTubeDNN 205
13.2.2 索引與模型聯(lián)訓(xùn)的復(fù)雜模型 207
13.2.3 提升模型魯棒性的樣本設(shè)計(jì) 210
13.3 優(yōu)化長(zhǎng)期時(shí)長(zhǎng)收益的強(qiáng)化學(xué)習(xí) 212
13.3.1 YouTube優(yōu)化目標(biāo)的變遷史 213
13.3.2 價(jià)值方法的原理和實(shí)踐 216
13.3.3 策略方法的原理和實(shí)踐 220
第 14章 以快打慢的微視頻推薦 225
14.1 以音樂為內(nèi)核的抖音 225
14.1.1 放棄內(nèi)容時(shí)長(zhǎng)的反向創(chuàng)新 225
14.1.2 從行為心理學(xué)看產(chǎn)品設(shè)計(jì) 227
14.1.3 以音軌為模板的爆款復(fù)制 229
14.2 不求*優(yōu)化，但求多目標(biāo) 230
14.2.1 道法自然的多目標(biāo)融合 231
14.2.2 觸類旁通的多任務(wù)學(xué)習(xí) 234
第五部分 電商推薦
第 15章 歷久彌新的電商推薦產(chǎn)品 241
15.1 從阿里看貨架電商的演進(jìn) 241
15.1.1 逆襲易趣的關(guān)鍵勝負(fù)手 241
15.1.2 高筑C端流量的護(hù)城河 242
15.2 從媒介側(cè)發(fā)起變革的新電商 245
15.2.1 用商一體的內(nèi)容型電商 245
15.2.2 構(gòu)建信任的直播熱媒介 247
15.2.3 撬動(dòng)傳播的輕品類電商 249
第 16章 真金白銀的電商推薦技術(shù) 252
16.1 量化即時(shí)回報(bào)的優(yōu)化思路 252
16.1.1 起源于廣告的點(diǎn)擊率預(yù)估 252
16.1.2 正例稀疏的轉(zhuǎn)化率預(yù)估 260
16.1.3 和NLP同源的序列信號(hào)建模 264
16.2 看重長(zhǎng)期回報(bào)的優(yōu)化思路 270
16.2.1 GMV的優(yōu)化路徑拆解 271
16.2.2 新興電商的差異化策略 273
第 1章 產(chǎn)品創(chuàng)新引領(lǐng)的供給側(cè)變革 3
1.1 媒介創(chuàng)新比內(nèi)容更重要 3
1.1.1 媒介變遷的趨勢(shì)展望 3
1.1.2 推薦產(chǎn)品的演化方向 6
1.2 把控上游的創(chuàng)作工具 9
1.2.1 創(chuàng)作工具的戰(zhàn)略價(jià)值 9
1.2.2 策采編發(fā)的全鏈路重塑 11
1.3 激勵(lì)相容的生態(tài)機(jī)制創(chuàng)新 13
1.3.1 從廣告拍賣機(jī)制說起 13
1.3.2 推薦中的生態(tài)機(jī)制設(shè)計(jì) 15
第 2章 技術(shù)創(chuàng)新引領(lǐng)的供給側(cè)變革 18
2.1 殊途的CV與NLP范式 18
2.1.1 從人工特征到CNN結(jié)構(gòu) 19
2.1.2 從專家系統(tǒng)到RNN結(jié)構(gòu) 21
2.2 走向融合的CV與NLP范式 25
2.2.1 從注意力機(jī)制到Transformer 25
2.2.2 只需Transformer的內(nèi)容理解 30
2.2.3 自回歸、生成對(duì)抗和擴(kuò)散范式下的內(nèi)容生成 33
2.2.4 大模型時(shí)代的推薦產(chǎn)業(yè)變革 39
第3章 從產(chǎn)品視角看需求側(cè)增長(zhǎng) 43
3.1 從AARRR模型看用戶增長(zhǎng) 43
3.1.1 獲客渠道的選擇 44
3.1.2 激活的定義和誤區(qū) 46
3.1.3 從留存曲線看產(chǎn)品優(yōu)化 47
3.1.4 產(chǎn)品的商業(yè)化變現(xiàn) 49
3.2 從網(wǎng)絡(luò)效應(yīng)視角看用戶增長(zhǎng) 50
3.2.1 從網(wǎng)絡(luò)效應(yīng)看推薦產(chǎn)品演進(jìn) 50
3.2.2 供需匹配的破局策略 53
3.2.3 理解網(wǎng)絡(luò)效應(yīng)時(shí)的常見誤區(qū) 55
第4章 E&E視角下的新用戶推薦 58
4.1 單狀態(tài)假設(shè)下的Bandit策略 58
4.1.1 MAB問題的定義與評(píng)價(jià) 58
4.1.2 主流Bandit策略介紹 60
4.2 MDP假設(shè)下的模型RL方法 63
4.2.1 從通盤決策的AlphaGo說起 63
4.2.2 從模型RL視角看新用戶推薦 67
4.2.3 基于模型RL的實(shí)踐思路 68
第5章 元學(xué)習(xí)視角下的新用戶推薦 72
5.1 快速自適應(yīng)參數(shù)的范式 72
5.1.1 模型無關(guān)的MAML方法 72
5.1.2 MAML方法的推薦實(shí)踐 74
5.2 基于比較歸納的范式 77
5.2.1 從度量學(xué)習(xí)到對(duì)比學(xué)習(xí) 77
5.2.2 比較歸納方法的推薦實(shí)踐 80
5.3 仿生記憶機(jī)制的范式 82
5.3.1 從神經(jīng)圖靈機(jī)到大模型 82
5.3.2 仿生記憶方法的推薦實(shí)踐 86
第6章 A/B測(cè)試是增長(zhǎng)的銀彈嗎 88
6.1 A/B測(cè)試的原理和優(yōu)勢(shì) 88
6.1.1 A/B測(cè)試的原理 88
6.1.2 A/B測(cè)試的優(yōu)勢(shì) 91
6.2 濫用A/B測(cè)試時(shí)的增長(zhǎng)困境 92
6.2.1 難以優(yōu)化留存等長(zhǎng)期目標(biāo) 92
6.2.2 難以反向優(yōu)化出新市場(chǎng) 95
6.2.3 難以做出真正的產(chǎn)品創(chuàng)新 97
第二部分 信息推薦
第7章 瞬息萬變的新聞推薦 103
7.1 曾統(tǒng)治硅谷的雅虎 103
7.1.1 雅虎門戶的發(fā)展史 103
7.1.2 雅虎新聞推薦的興衰 105
7.2 針對(duì)突發(fā)新聞的實(shí)時(shí)推薦策略 107
7.2.1 非穩(wěn)態(tài)分布下的E&E策略 107
7.2.2 快慢結(jié)合的模型更新范式 109
7.2.3 讓特征動(dòng)起來的樹模型 111
第8章 獲取信息的資訊推薦 114
8.1 屢失良機(jī)的谷歌推薦 114
8.1.1 對(duì)推薦產(chǎn)品崛起的遲鈍 114
8.1.2 困于搜索思維的推薦生態(tài) 117
8.2 相關(guān)性需求下的信息檢索技術(shù) 120
8.2.1 語義匹配的主流技術(shù) 120
8.2.2 近無損全庫(kù)遍歷的ANN檢索 123
8.3 從峰終定律看排序策略設(shè)計(jì) 125
8.3.1 不同需求模式下的體驗(yàn)設(shè)計(jì) 125
8.3.2 明確需求下的NDCG優(yōu)化 127
8.3.3 多元需求下的多樣性優(yōu)化 131
第三部分 社交和社區(qū)推薦
第9章 永遠(yuǎn)年輕的社交產(chǎn)品 137
9.1 社交推薦中優(yōu)化的關(guān)鍵 137
9.1.1 強(qiáng)化社交效用時(shí)的原則 137
9.1.2 優(yōu)化內(nèi)容效用的路徑選擇 139
9.2 從Facebook看社交效用優(yōu)化 140
9.2.1 更高效的社交資本積累 140
9.2.2 更高效的社交關(guān)系維系 143
9.3 從交友產(chǎn)品看雙向推薦問題 144
9.3.1 滿意即流失的婚戀場(chǎng)景 144
9.3.2 促成線上雙向匹配的Tinder 145
9.3.3 促成線下穩(wěn)定婚配的Hinge 147
9.4 社交場(chǎng)景中的推薦策略 148
9.4.1 社交媒體中的推薦策略 148
9.4.2 穩(wěn)定婚配假設(shè)下的GS算法 149
9.4.3 傳統(tǒng)推薦的雙向匹配改造 151
第 10章 春耕秋收的社區(qū)產(chǎn)品 154
10.1 社區(qū)產(chǎn)品的培育原則 154
10.1.1 以人為核心的原創(chuàng)內(nèi)容 154
10.1.2 強(qiáng)化關(guān)系的穩(wěn)定建立 156
10.1.3 引導(dǎo)角色的良性分化 158
10.2 從媒介側(cè)創(chuàng)新的Instagram 161
10.2.1 從文到圖的媒介變革 161
10.2.2 恰到好處的創(chuàng)作工具 162
10.2.3 從創(chuàng)作工具向社區(qū)轉(zhuǎn)型 164
10.3 無為而治的Reddit 165
10.3.1 顯式組織的社區(qū)結(jié)構(gòu) 165
10.3.2 簡(jiǎn)單健壯的投票機(jī)制 167
第 11章 模擬社交的協(xié)同過濾 169
11.1 推薦系統(tǒng)的起源 169
11.1.1 更相信人的智慧的Tapestry 169
11.1.2 仿真協(xié)同關(guān)系的GroupLens 170
11.2 對(duì)協(xié)同關(guān)系的仿真建模 172
11.2.1 從復(fù)雜網(wǎng)絡(luò)看推薦系統(tǒng) 172
11.2.2 對(duì)局部近鄰關(guān)系的仿真 177
11.2.3 對(duì)全局拓?fù)浣Y(jié)構(gòu)的仿真 179
11.3 基于仿真關(guān)系的協(xié)同推薦 183
11.3.1 協(xié)同過濾的核心優(yōu)勢(shì) 183
11.3.2 應(yīng)用協(xié)同關(guān)系的在線環(huán)節(jié) 185
第四部分 視頻推薦
第 12章 降低決策成本的電影推薦 189
12.1 電影推薦的傳奇奈飛 189
12.1.1 奈飛對(duì)百視達(dá)的逆襲 189
12.1.2 奈飛對(duì)自我的不斷革新 191
12.2 優(yōu)化線下體驗(yàn)的評(píng)分預(yù)測(cè) 193
12.2.1 評(píng)分預(yù)測(cè)產(chǎn)品的興衰 193
12.2.2 評(píng)分預(yù)測(cè)算法的演進(jìn)趨勢(shì) 195
第 13章 和電視競(jìng)爭(zhēng)的短視頻推薦 200
13.1 激勵(lì)相容的YouTube生態(tài)機(jī)制 200
13.1.1 多方受益的Content ID機(jī)制 201
13.1.2 穩(wěn)固自建生態(tài)的YPP機(jī)制 202
13.1.3 革新廣告效率的TrueView機(jī)制 203
13.2 直面海量候選的深度學(xué)習(xí)召回 204
13.2.1 召回的里程碑：YouTubeDNN 205
13.2.2 索引與模型聯(lián)訓(xùn)的復(fù)雜模型 207
13.2.3 提升模型魯棒性的樣本設(shè)計(jì) 210
13.3 優(yōu)化長(zhǎng)期時(shí)長(zhǎng)收益的強(qiáng)化學(xué)習(xí) 212
13.3.1 YouTube優(yōu)化目標(biāo)的變遷史 213
13.3.2 價(jià)值方法的原理和實(shí)踐 216
13.3.3 策略方法的原理和實(shí)踐 220
第 14章 以快打慢的微視頻推薦 225
14.1 以音樂為內(nèi)核的抖音 225
14.1.1 放棄內(nèi)容時(shí)長(zhǎng)的反向創(chuàng)新 225
14.1.2 從行為心理學(xué)看產(chǎn)品設(shè)計(jì) 227
14.1.3 以音軌為模板的爆款復(fù)制 229
14.2 不求*優(yōu)化，但求多目標(biāo) 230
14.2.1 道法自然的多目標(biāo)融合 231
14.2.2 觸類旁通的多任務(wù)學(xué)習(xí) 234
第五部分 電商推薦
第 15章 歷久彌新的電商推薦產(chǎn)品 241
15.1 從阿里看貨架電商的演進(jìn) 241
15.1.1 逆襲易趣的關(guān)鍵勝負(fù)手 241
15.1.2 高筑C端流量的護(hù)城河 242
15.2 從媒介側(cè)發(fā)起變革的新電商 245
15.2.1 用商一體的內(nèi)容型電商 245
15.2.2 構(gòu)建信任的直播熱媒介 247
15.2.3 撬動(dòng)傳播的輕品類電商 249
第 16章 真金白銀的電商推薦技術(shù) 252
16.1 量化即時(shí)回報(bào)的優(yōu)化思路 252
16.1.1 起源于廣告的點(diǎn)擊率預(yù)估 252
16.1.2 正例稀疏的轉(zhuǎn)化率預(yù)估 260
16.1.3 和NLP同源的序列信號(hào)建模 264
16.2 看重長(zhǎng)期回報(bào)的優(yōu)化思路 270
16.2.1 GMV的優(yōu)化路徑拆解 271
16.2.2 新興電商的差異化策略 273
展開全部
推薦系統(tǒng):產(chǎn)品與算法解析 作者簡(jiǎn)介
王超，北京大學(xué)碩士，多年來專注于推薦系統(tǒng)和計(jì)算廣告等領(lǐng)域的研究和實(shí)踐。曾任百度杰出架構(gòu)師，并與劉鵬合著《計(jì)算廣告》一書。
書友推薦
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
中國(guó)歷史的瞬間
- >
我與地壇
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
朝聞道
- >
回憶愛瑪儂
- >
唐代進(jìn)士錄
- >
我從未如此眷戀人間
本類暢銷
