內容簡介

本書分為4大部分。*一部分（*1~3章）：搜索推薦繫統的基礎。首先介紹數學與統計學是現代機器學習理論的基礎；其次介紹搜索推薦繫統的常識；*後，描述知識圖譜相關基礎理論。
*二部分（第4~6章）：搜索繫統的基本原理。主要內容包括：搜索繫統框架及原理、主要算法以及搜索繫統相關評價指標。
第三部分（第7~9章）：推薦繫統的基本原理。主要內容包括：推薦繫統框架及原理、主要算法以及推薦繫統相關評價指標。
第四部分（*10~12章）：應用。首先介紹三種常見的搜索引擎工具；其次講述搜索引擎和推薦繫統兩個方向的應用。

  目錄

  推薦序一
推薦序二
前言
*一部分 搜索和推薦繫統的基礎
*1章 概率統計與應用數學基礎知識 2
1.1 概率論基礎 2
1.1.1 概率定義 2
1.1.2 隨機變量 5
1.1.3 基礎的概率分布 5
1.1.4 期望、方差、標準差、協方差 8
1.2 線性代數基礎 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 機器學習基礎 13
1.3.1 導數 13
1.3.2 梯度 14
1.3.3 *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 18
*2章 搜索繫統和推薦繫統常識 19
2.1 搜索繫統 19
2.1.1 什麼是搜索引擎及搜索繫統 19
2.1.2 搜索引擎的發展史 21
2.1.3 搜索引擎的分類 22
2.2 推薦繫統 23
2.2.1 什麼是推薦繫統 24
2.2.2 推薦繫統的發展史 24
2.2.3 推薦繫統應用場景 25
2.2.4 推薦繫統的分類 26
2.3 搜索與推薦的區別 29
2.4 本章小結 30
第3章 知識圖譜相關理論 31
3.1 知識圖譜概述 31
3.1.1 什麼是知識圖譜 31
3.1.2 知識圖譜的價值 33
3.1.3 知識圖譜的架構 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 關繫抽取 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 質量評估 58
3.5 本章小結 58
*二部分 搜索繫統的基本原理
第4章 搜索繫統框架及原理 60
4.1 搜索繫統的框架 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 數據收集及預處理 64
4.2.1 爬蟲 64
4.2.2 數據清洗 66
4.2.3 存儲空間及分布式設計 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 基於知識圖譜的搜索繫統 90
4.5 本章小結 92
第5章 搜索繫統中的主要算法 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 搜索和機器學習 102
5.2.1 排序學習 102
5.2.2 排序學習示例 107
5.3 搜索和深度學習 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 126
第6章 搜索繫統評價 127
6.1 搜索繫統評價的意義 127
6.2 搜索繫統的評價體繫 127
6.2.1 效率評價 128
6.2.2 效果評價 130
6.3 本章小結 136
第三部分 推薦繫統的基本原理
第7章 推薦繫統框架及原理 138
7.1 推薦繫統的框架及運行 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 推薦繫統的經典問題 142
7.2 推薦繫統的冷啟動 145
7.3 推薦繫統的召回策略 150
7.3.1 基於行為相似的召回 150
7.3.2 基於內容相似的召回 153
7.4 推薦繫統排序 160
7.4.1 特征選擇的方法 160
7.4.2 推薦繫統的排序過程 164
7.5 基於知識圖譜的推薦繫統 166
7.6 本章小結 168
第8章 推薦繫統的主要算法 169
8.1 矩陣分解 169
8.1.1 奇異值分解 170
8.1.2 交替*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 深度學習模型 191
8.4.1 Wide & Deep模型 191
8.4.2 Deep FM模型 197
8.5 本章小結 199
第9章 推薦繫統的評價 200
9.1 推薦評估的目的 200
9.2 推薦繫統的評價指標 200
9.2.1 RMSE和R方 204
9.2.2 MAP和MRR 204
9.2.3 其他相關指標 205
9.3 推薦繫統的評估實驗方法 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 217
第四部分 應用
*10章 搜索引擎工具 220
10.1 Lucene簡介 220
10.1.1 Lucene的由來及現狀 220
10.1.2 Lucene創建索引過程分析 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 233
*11章 搜索應用實戰：基於電商的搜索開發 234
11.1 電商搜索繫統的架構設計 234
11.2 ES在搜索繫統中的應用 236
11.3 NLP在搜索繫統中的應用 237
11.4 商品數據排序算法研究 240
11.5 搜索排序的評價及優化 241
11.6 深度學習在搜索繫統中的應用 243
11.7 電商搜索繫統中的SEM 243
11.8 本章小結 246
*12章 推薦應用實戰：基於廣告平臺的推薦 247
12.1 推薦繫統的架構設計 247
12.2 推薦繫統的召回和冷啟動 249
12.3 ES在推薦繫統中的應用 251
12.4 推薦繫統中NLP的應用 252
12.5 推薦繫統中粗排和精排 253
12.6 推薦繫統的評價和優化 254
12.7 深度學習在推薦繫統應用 255
12.8 本章小結 257