本书分为4大部分。第一部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；最后，描述知识图谱相关基础理论。第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。

本书分为4大部分。第一部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；最后，描述知识图谱相关基础理论。第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。

本书是一部面向初学者的搜索和推荐系统实战宝典。多位资深专家融合自己丰富的工程实践经验，一方面，精准地介绍了搜索和推荐系统的理论基础、工作原理和常见架构；一方面，深入地讲解了机器学习、深度学习、自然语言处理等AI技术在搜索和推荐系统中的应用场景、主要算法及其实现、工程实践案例。 全书一共12章，分为 四大部分。 第一部分（第 1 ～ 3 章） 搜索和推荐系统基础 首先介绍了概率统计与应用数学的基础知识，然后介绍了搜索和推荐系统的常识，最后介绍了知识图谱的基础理论。 第二部分（第 4 ～ 6 章） 搜索系统原理与架构 首先讲解了搜索系统的架构和原理，帮助读者了解搜索系统的组成、工作原理以及知识图谱在搜索系统中的应用；其次讲解了搜索系统中涉及的基本模型、机器学习以及深度学习算法；最后讲解了评价搜索系统的指标体系。 第三部分（第 7 ～ 9 章） 推荐系统原...(展开全部)

本书介绍当前推荐系统领域中的经典方法。不仅详细讨论了各类方法，还对同类技术进行了归纳总结，这有助于读者对当前推荐系统研究领域有全面的了解。书中提供了大量的例子和习题来帮助读者深入理解和掌握相关技术。此外，本书还介绍了当前新的研究方向，为读者进行推荐系统技术的研究提供参考。本书既可以作为计算机相关专业本科生和研究生的教材，也适合开发人员和研究人员阅读。

本书介绍当前推荐系统领域中的经典方法。不仅详细讨论了各类方法，还对同类技术进行了归纳总结，这有助于读者对当前推荐系统研究领域有全面的了解。书中提供了大量的例子和习题来帮助读者深入理解和掌握相关技术。此外，本书还介绍了当前新的研究方向，为读者进行推荐系统技术的研究提供参考。本书既可以作为计算机相关专业本科生和研究生的教材，也适合开发人员和研究人员阅读。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。

本书以媒介变迁为整体脉络，通过几类推荐产品的发展趋势来探讨推荐产品创新的核心驱动力，以及由具体产品特性引发的技术变革。 全书内容分为5部分。第一部分从宏观视角探讨推荐产品从0到1进行创新的产品思路和技术思路；第二部分介绍革新传统纸质媒介的新闻推荐和资讯推荐，包括关键算法设计和产品设计；第三部分介绍构建线上社交网络的社交和社区推荐，以及如何通过协同过滤算法模拟社交网络；第四部分从产品、生态和算法设计的角度，介绍革新传统影视行业的视频推荐；第五部分以阿里推荐产品及其新兴的竞争产品为例，介绍革新传统货架电商的商品推荐。

本书系统介绍推荐系统的技术理论和实践。首先介绍推荐系统的基础知识；然后介绍推荐系统常用的机器学习和深度学习模型；接着重点介绍推荐系统的4层级联架构，包括召回、粗排、精排和重排，以及谷歌、阿里巴巴等大型互联网公司在4层级联架构中的模型设计和实现原理；紧接其后介绍多目标排序在推荐系统中的应用，具体介绍阿里巴巴、谷歌等大型互联网公司的实践；最后从不同角度审视推荐系统，介绍公平性问题、知识蒸馏、冷启动等各种前沿实践。本书基于一线研发人员的视角向读者分享推荐系统的实践经验，所有模型结构和前沿实践都在业务场景中落地。 本书适合推荐系统领域的从业者、高校科研人员、高校计算机专业学生，以及对推荐系统感兴趣的产品研发人员和运营人员阅读。

大模型技术掀起了新一轮人工智能浪潮，以ChatGPT 为核心的大模型相关技术可以应用于搜索、对话、内容创作等众多领域，在推荐系统领域的应用也不例外。本书主要分为3 部分。第1 部分简单介绍大模型相关技术，包括大模型的预训练、微调、在线学习、推理、部署等。第2 部分将大模型在传统推荐系统中的应用抽象为4 种范式——生成范式、预训练范式、微调范式、直接推荐范式，并对每种范式给出算法原理说明、案例讲解和代码实现。第3 部分以电商场景为例，讲解大模型在电商中的7 种应用，包括生成用户兴趣画像、生成个性化商品描述信息、猜你喜欢推荐、关联推荐、解决冷启动问题、推荐解释和对话式推荐，每种应用场景都包含完整的步骤说明和详细的代码实现，手把手教你构建大模型推荐系统。