在人工智能飞速发展的今天，大语言模型凭借其强大的自然语言理解能力和上下文学习能力，正以前所未有的姿态改变着推荐系统的技术格局。而《大模型智能推荐系统：技术解析与发实践》一书，无疑是引领发者和研究人员深探索这一前沿领域的明灯。 《大模型智能推荐系统:技术解析与发实践》系统地剖析了大语言模型与推荐系统的融合应用，内容涵盖技术原理、发方法及丰富的实战案例，旨在为读者构建一个完整的知识体系，并提供实用的发指导。全书精心分为 4 部分，内容层层递，如同一位耐心的导师，逐步引导读者从技术理解走向实战发，助力读者成功构建高效、智能化的推荐系统。
售 价：¥
纸质售价：¥101.90购买纸书
6.8
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容简介
作者简介
前言
第1部分 理论基础与技术框架
第1章 大语言模型推荐系统的技术框架
1.1 基本技术详解
1.1.1 Transformer架构基础
1.1.2 注意力机制
1.1.3 大规模向量检索技术
1.1.4 Prompt工程与上下文学习技术
1.1.5 计算性能优化与并行训练技术
1.2 大语言模型推荐系统的核心模块
1.2.1 嵌入生成与用户画像建模
1.2.2 嵌入生成模块
1.2.3 召回模块
1.2.4 排序模块
1.2.5 实时推荐与上下文处理模块
1.3 推荐系统的关键挑战与解决技术
1.3.1 数据稀疏性问题
1.3.2 高并发环境详解
1.4 本章小结
1.5 思考题
第2章 数据处理与特征工程
2.1 数据清洗与标准化
2.1.1 异构数据格式标准化处理
2.1.2 数据噪声过滤与异常检测
2.2 用户画像与物品画像的构建
2.2.1 用户兴趣特征生成
2.2.2 基于嵌入向量的物品特征提取
2.3 特征交互与场景特征生成
2.3.1 特征交叉组合实现
2.3.2 领域知识的上下文特征增强
2.4 本章小结
2.5 思考题
第2部分 核心技术解析
第3章 嵌入技术在推荐系统中的应用
3.1 用户行为嵌入生成技术
3.1.1 基于大语言模型的用户行为编码
3.1.2 时间序列特征的嵌入优化
3.2 多模态数据嵌入技术
3.2.1 文本、图像与视频嵌入的融合方法
3.2.2 基于CLIP模型的多模态特征联合嵌入
3.3 嵌入向量的存储与检索优化
3.3.1 使用Faiss进行高效向量检索
3.3.2 向量检索优化
3.3.3 文本嵌入向量生成
3.4 自监督嵌入学习方法
3.4.1 自监督学习基本原理
3.4.2 基于对比学习的嵌入生成
3.5 本章小结
3.6 思考题
第4章 生成式推荐：从特征到内容
4.1 大语言模型生成特征的技术方法
4.1.1 GPT生成用户兴趣特征与物品特征
4.1.2 T5模型与文本生成
4.2 大语言模型生成推荐内容
4.2.1 个性化商品描述与广告文案生成
4.2.2 基于用户历史行为生成推荐
4.3 生成式推荐系统的优化与评估
4.3.1 推荐生成结果过滤
4.3.2 评估：生成内容与用户点击率
4.4 生成约束与RLHF
4.4.1 生成约束在推荐任务中的实现
4.4.2 基于RLHF的生成质量优化技术
4.5 本章小结
4.6 思考题
第5章 预训练语言模型在推荐系统中的应用
5.1 预训练语言模型的架构设计
5.1.1 使用PLM进行用户与物品的联合建模
5.1.2 Transformer架构对推荐效果的提升
5.2 预训练语言模型在冷启动推荐中的应用
5.2.1 用户冷启动与物品冷启动的特征生成
5.2.2 基于上下文学习的冷启动推荐
5.2.3 利用生成模型创建冷启动数据
5.3 代码实战：基于MIND数据集构建预训练推荐系统
5.3.1 数据集加载与预处理
5.3.2 用户与物品特征的嵌入生成
5.3.3 预训练模型的构建与优化
5.3.4 推荐结果的推理与评估
5.3.5 模型改进与迭代开发
5.4 本章小结
5.5 思考题
第3部分 模型优化与进阶技术
第6章 微调技术与个性化推荐
6.1 微调推荐模型的关键技术
6.1.1 PEFT
6.1.2 RLHF
6.2 个性化推荐系统的实现
6.2.1 针对长尾用户的微调策略
6.2.2 微调后推荐系统的效果提升
6.3 案例分析：TALLRec框架在个性化推荐中的应用
6.3.1 微调模型的训练与部署
6.3.2 基于用户行为的个性化推荐实现
6.3.3 TALLRec的多任务学习在推荐中的应用
6.4 参数高效微调（LoRA）的实现与应用
6.4.1 LoRA技术的具体实现与代码分析
6.4.2 LoRA优化推荐系统的实际案例
6.5 本章小结
6.6 思考题
第7章 上下文学习与直接推荐技术
7.1 大语言模型上下文学习的技术实现
7.1.1 提示词工程
7.1.2 动态上下文学习与实时推荐
7.2 Prompt优化与自适应推荐系统
7.2.1 连续Prompt生成
7.2.2 用户意图检测与自适应推荐算法
7.3 基于Few-shot和Zero-shot的推荐任务
7.3.1 Few-shot推荐任务的案例与技术解析
7.3.2 Zero-shot推荐任务案例分析
7.4 本章小结
7.5 思考题
第8章 多任务学习与交互式推荐系统
8.1 多任务学习模型的架构设计
8.1.1 多任务学习模型在推荐中的应用
8.1.2 多任务优化
8.2 交互式推荐系统的智能体架构
8.2.1 交互式推荐中的Agent系统简单实现
8.2.2 用户实时反馈对推荐模型的动态更新
8.3 实战案例：基于LangChain实现对话式推荐
8.3.1 用户对话驱动的推荐生成
8.3.2 多轮对话中的上下文管理问题
8.3.3 对话与推荐融合
8.3.4 云端部署LangChain系统
8.4 本章小结
8.5 思考题
第4部分 实战与部署
第9章 排序算法与推荐结果优化
9.1 排序算法的核心技术
9.1.1 Transformer生成排序特征的方法
9.1.2 CTR预测模型
9.2 排序优化的代码实现
9.2.1 Wide&Deep模型排序案例
9.2.2 使用GBDT进行特征排序与评分
9.3 基于Learning-to-Rank的排序优化
9.3.1 Pointwise、Pairwise和Listwise方法解析
9.3.2 使用Learning-to-Rank优化推荐系统排序的案例
9.4 本章小结
9.5 思考题
第10章 冷启动问题与长尾问题详解
10.1 冷启动问题的技术解决方案
10.1.1 利用大语言模型生成初始用户行为样本
10.1.2 新品与冷门内容的长尾推荐
10.2 长尾用户的动态兴趣建模
10.2.1 兴趣迁移
10.2.2 基于行为序列的动态特征生成
10.3 冷启动推荐的案例分析
10.3.1 冷启动推荐系统的代码实现
10.3.2 基于大语言模型的物品冷启动解决方案
10.3.3 长尾内容的推荐优化
10.3.4 案例实战：公众号冷启动推荐
10.4 本章小结
10.5 思考题
第11章 推荐系统开发基础
11.1 推荐系统的分布式架构设计
11.1.1 微服务框架下的推荐模块部署
11.1.2 ONNX模型转换与TensorRT推理加速
11.1.3 分布式向量检索服务的负载均衡
11.1.4 高可用推荐服务容错与恢复机制
11.2 推荐服务的高并发优化
11.2.1 实时推荐服务的缓存机制设计
11.2.2 异步处理与批量推理的性能提升
11.2.3 动态负载均衡在推荐服务中的应用
11.2.4 使用分布式消息队列优化高并发推荐流
11.3 推荐系统的日志与监控模块
11.3.1 实时监控系统性能与用户行为数据
11.3.2 日志采集与分布式存储架构
11.3.3 异常检测与告警系统
11.3.4 推荐效果评估反馈
11.4 本章小结
11.5 思考题
第12章 基于大模型的电商平台推荐系统开发
12.1 项目规划与系统设计
12.1.1 基于大语言模型的推荐系统整体架构设计
12.1.2 需求分析与功能模块划分
12.2 数据管理模块
12.2.1 数据采集、清洗与规范化
12.2.2 用户与物品特征生成
12.3 嵌入生成与召回模块开发
12.3.1 基于大模型的嵌入生成
12.3.2 向量检索与召回
12.4 排序与优化模块
12.4.1 CTR生成式排序模型
12.4.2 使用LTR优化推荐效果
12.5 系统部署与实时服务
12.5.1 模型转换与ONNX优化
12.5.2 分布式推理服务与API接口开发
12.5.3 模型微调与部署
12.6 性能监控与日志分析
12.7 本章小结
12.8 思考题
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
