这是一本介绍推荐系统前沿技术的技术书。本书前几章着重介绍深度学习排序模型的技术演化趋势,然后依次介绍推荐系统其他模块的技术细节和工程实现,通过业界前沿的推荐系统实例将所有知识融会贯通。本书着重讨论的是推荐系统相关的经典和前沿技术内容,尤其是深度学习在推荐系统业界的应用。
本书特色
本书希望讨论的是推荐系统相关的“经典的”或者“前沿的”技术内容。其 中着重讨论的是深度学习在推荐系统业界的应用。需要明确的是,本书不是一本 机器学习或者深度学习的入门书,虽然书中会穿插机器学习基础知识的介绍,但 绝大多数内容建立在读者有一定的机器学习基础上;本书也不是一本纯理论书 籍,而是一本从工程师的实际经验角度出发,介绍深度学习在推荐系统领域的应 用方法,以及推荐系统相关的业界前沿知识的技术书。
前言 推荐系统的深度学习时代
1992 年,施乐公司帕拉奥图研究中心(Xerox Palo Alto Research Center)的 David Goldberg 等学者创建了应用协同过滤算法的推荐系统。如果以此作为推荐系统领域的开端,那么推荐系统距今已有28年历史。在这28年中,特别是近5年,推荐系统技术的发展日新月异。毫无疑问,为推荐系统插上翅膀的,是深度学习带来的技术革命。2012年,随着深度学习网络 AlexNet 在著名的 ImageNet 竞赛中一举夺魁,深度学习引爆了图像、语音、自然语言处理等领域,就连互 联网商业化最成功、机器学习模型应用最广泛的推荐、广告和搜索领域,也被深度学习的浪潮一一席卷。2015年,随着微软、谷歌、百度、阿里等公司成功地在推荐、广告等业务场景中应用深度学习模型,推荐系统领域正式迈入了深度学习时代。
处于深度学习时代的推荐系统算法工程师(以下简称推荐工程师)是幸运的,我们见证了最深刻、也是最迅猛的技术变革;但某种意义上,我们也是不幸的,因为在这个技术日新月异、模型飞速演化的时代,一不小心我们就处于被淘汰的边缘。然而,这个时代,终究为对技术充满热情的工程师留下了充足的发展空间。在热忱的推荐工程师搭建自己的技术蓝图、丰富自己的技术储备时,希望本书能成为他们脑海中推荐系统技术的思维导图,帮助他们构建深度学习推荐系统的技术框架。
本书特色
本书希望讨论的是推荐系统相关的“经典的”或者“前沿的”技术内容。其中着重讨论的是深度学习在推荐系统业界的应用。需要明确的是,本书不是一本机器学习或者深度学习的入门书,虽然书中会穿插机器学习基础知识的介绍,但绝大多数内容建立在读者有一定的机器学习基础上;本书也不是一本纯理论书籍,而是一本从工程师的实际经验角度出发,介绍深度学习在推荐系统领域的应用方法,以及推荐系统相关的业界前沿知识的技术书。
本书读者群
本书的目标读者可分为两类:一类是互联网行业相关方向,特别是推荐、广告、搜索领域的从业者。希望这些同行能够通过学习本书熟悉深度学习推荐系统的发展脉络,厘清每个关键模型和技术的细节,进而在工作中应用甚至改进这些技术点。
另一类是有一定机器学习基础,希望进入推荐系统领域的爱好者、在校学生。本书尽量用平实的语言,从细节出发,介绍推荐系统技术的相关原理和应用方法,帮助读者从零开始构建前沿、实用的推荐系统知识体系。
致谢
写作本书的过程并不轻松,除了挤出几乎所有的业余时间用于写作,还需要花大量的时间查阅论文、梳理技术框架,甚至与各大公司的同行及论文的作者交流技术细节、追踪业界前沿的技术应用。在此,十分感谢为本书提供过帮助的业界同行。
感谢在写作过程中给予我极大支持和理解的妻子和女儿,你们对家庭的照顾和对我工作的支持是我完成本书的最大动力。
谢谢你们!
美国旧金山湾区 Foster City,王喆
这本书会有电子版吗