1. 聚焦互联网三大核心业务，详细阐述了检索匹配的理论和演进历史。 2. 通过落地一个基于深度学习算法模型的分布式机器学习业务案例来加深读者理解。 3. 随书免费赠送全部案例源代码和超过180分钟的高清学习视频。

1. 聚焦互联网三大核心业务，详细阐述了检索匹配的理论和演进历史。 2. 通过落地一个基于深度学习算法模型的分布式机器学习业务案例来加深读者理解。 3. 随书免费赠送全部案例源代码和超过180分钟的高清学习视频。

深度学习在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技 术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主 流技术要点。

深度学习在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、推荐系统工程实现、模型评估体系、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。 《深度学习推荐系统》既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本 科生、研究生、博士生阅读，帮助他们建立深度学习推荐系统的技术框架，通过学习前沿案例 加强深度学习理论与推荐系统工程实践的融合能力。

本书的内容设置由浅入深，从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者，还是有一定经验的从业人员，相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍，本书引入了已被实践证明效果较好的深度学习推荐技术，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用，并给出了相关的实践代码；除了在算法层面讲解推荐系统的实现，还从工程层面详细阐述推荐系统如何搭建.

深度学习和大模型技术在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、大模型、AIGC、模型工程实现、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。 《深度学习推荐系统2.0（全彩）》既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本科生、研究生、博士生阅读，帮助建立深度学习推荐系统的技术框架。通过学习前沿案例，读者可加强深度学习理论与推荐系统工程实践的融合能力。

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。

本书系统论述深度学习图像检索的原理与应用。全书共分为两篇:第一篇图像检索基础(第1~3章),介绍图像检索技术、深度学习基础、基于深度学习的图像检索方法;第二篇图像检索应用(第4~8章),以车辆图像为研究对象,深入详细地讲述基于深度神经网络的快速车辆图像检测方法、基于迁移学习场景自适应的车辆图像检索方法、基于多视角图像生成的车辆图像检索方法、基于车牌图像超分辨率重建的车辆图像检索方法、多模型融合的渐进式车辆图像检索方法。附录A和附录B分别提供本书实验所使用的数据集和源代码。

本书系统论述深度学习图像检索的原理与应用。全书共分为两篇:第一篇图像检索基础(第1~3章),介绍图像检索技术、深度学习基础、基于深度学习的图像检索方法;第二篇图像检索应用(第4~8章),以车辆图像为研究对象,深入详细地讲述基于深度神经网络的快速车辆图像检测方法、基于迁移学习场景自适应的车辆图像检索方法、基于多视角图像生成的车辆图像检索方法、基于车牌图像超分辨率重建的车辆图像检索方法、多模型融合的渐进式车辆图像检索方法。附录A和附录B分别提供本书实验所使用的数据集和源代码。