智能搜索和推荐系统 原理、算法与应用

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）搜索和推荐系统的基础 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）搜索系统的基本原理 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）推荐系统的基本原理 首先讲解了推荐系统的架构和原理；其次讲解了推荐系统中涉及的线性模型、树模型以及深度学习模型；最后讲解了评价推荐系统的指标体系。 第四部分（第10～12章）应用 首先介绍了三种常见的搜索引擎工具，包括Lucene、Solr和Elasticsearch；其次讲解了搜索系统和推荐系统的应用；最后介绍了如何充分结合AI与工程在工业界发挥作用。

推荐序一
推荐序二
前言
第一部分 搜索和推荐系统的基础
第1章 概率统计与应用数学基础知识 2
1.1 概率论基础 2
1.1.1 概率定义 2
1.1.2 随机变量 5
1.1.3 基础的概率分布 5
1.1.4 期望、方差、标准差、协方差 8
1.2 线性代数基础 10
1.2.1 矩阵 10
1.2.2 向量 10
1.2.3 张量 11
1.2.4 特征向量和特征值 12
1.2.5 奇异值分解 12
1.3 机器学习基础 13
1.3.1 导数 13
1.3.2 梯度 14
1.3.3 优选似然估计 14
1.3.4 随机过程与隐马尔可夫模型 15
1.3.5 信息熵 16
1.4 本章小结 18
第2章 搜索系统和推荐系统常识 19
2.1 搜索系统 19
2.1.1 什么是搜索引擎及搜索系统 19
2.1.2 搜索引擎的发展史 21
2.1.3 搜索引擎的分类 22
2.2 推荐系统 23
2.2.1 什么是推荐系统 24
2.2.2 推荐系统的发展史 24
2.2.3 推荐系统应用场景 25
2.2.4 推荐系统的分类 26
2.3 搜索与推荐的区别 29
2.4 本章小结 30
第3章 知识图谱相关理论 31
3.1 知识图谱概述 31
3.1.1 什么是知识图谱 31
3.1.2 知识图谱的价值 33
3.1.3 知识图谱的架构 35
3.1.4 知识图谱的表示与建模 36
3.2 信息抽取 39
3.2.1 实体识别 40
3.2.2 关系抽取 46
3.3 知识融合 50
3.3.1 实体对齐 50
3.3.2 实体消歧 51
3.4 知识加工 53
3.4.1 知识推理 53
3.4.2 质量评估 58
3.5 本章小结 58
第二部分 搜索系统的基本原理
第4章 搜索系统框架及原理 60
4.1 搜索系统的框架 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 数据收集及预处理 64
4.2.1 爬虫 64
4.2.2 数据清洗 66
4.2.3 存储空间及分布式设计 68
4.3 文本分析 70
4.3.1 查询处理 71
4.3.2 意图理解 82
4.3.3 其他文本分析方法 85
4.4 基于知识图谱的搜索系统 90
4.5 本章小结 92
第5章 搜索系统中的主要算法 93
5.1 信息检索基本模型 93
5.1.1 布尔模型 93
5.1.2 向量空间模型 94
5.1.3 概率检索模型 96
5.1.4 其他模型 100
5.2 搜索和机器学习 102
5.2.1 排序学习 102
5.2.2 排序学习示例 107
5.3 搜索和深度学习 116
5.3.1 DNN模型 116
5.3.2 DSSM模型 118
5.3.3 Transformer 120
5.4 本章小结 126
第6章 搜索系统评价 127
6.1 搜索系统评价的意义 127
6.2 搜索系统的评价体系 127
6.2.1 效率评价 128
6.2.2 效果评价 130
6.3 本章小结 136
第三部分 推荐系统的基本原理
第7章 推荐系统框架及原理 138
7.1 推荐系统的框架及运行 138
7.1.1 基本框架 139
7.1.2 组件及功能 140
7.1.3 推荐引擎是如何工作的 141
7.1.4 推荐系统的经典问题 142
7.2 推荐系统的冷启动 145
7.3 推荐系统的召回策略 150
7.3.1 基于行为相似的召回 150
7.3.2 基于内容相似的召回 153
7.4 推荐系统排序 160
7.4.1 特征选择的方法 160
7.4.2 推荐系统的排序过程 164
7.5 基于知识图谱的推荐系统 166
7.6 本章小结 168
第8章 推荐系统的主要算法 169
8.1 矩阵分解 169
8.1.1 奇异值分解 170
8.1.2 交替最小二乘 171
8.1.3 贝叶斯个性化排序 172
8.2 线性模型 174
8.2.1 FM模型 175
8.2.2 FFM模型 176
8.3 树模型 177
8.3.1 决策树模型 177
8.3.2 集成算法模型 183
8.4 深度学习模型 191
8.4.1 Wide & Deep模型 191
8.4.2 Deep FM模型 197
8.5 本章小结 199
第9章 推荐系统的评价 200
9.1 推荐评估的目的 200
9.2 推荐系统的评价指标 200
9.2.1 RMSE和R方 204
9.2.2 MAP和MRR 204
9.2.3 其他相关指标 205
9.3 推荐系统的评估实验方法 206
9.3.1 离线评估 206
9.3.2 在线评估 209
9.3.3 主观评估 213
9.4 本章小结 217
第四部分 应用
第10章 搜索引擎工具 220
10.1 Lucene简介 220
10.1.1 Lucene的由来及现状 220
10.1.2 Lucene创建索引过程分析 223
10.1.3 Lucene的搜索过程解析 224
10.2 Solr简介 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简介 230
10.3.1 Elasticsearch的核心概念 230
10.3.2 Elasticsearch的核心功能 231
10.4 搜索引擎工具对比 232
10.5 本章小结 233
第11章 搜索应用实战：基于电商的搜索开发 234
11.1 电商搜索系统的架构设计 234
11.2 ES在搜索系统中的应用 236
11.3 NLP在搜索系统中的应用 237
11.4 商品数据排序算法研究 240
11.5 搜索排序的评价及优化 241
11.6 深度学习在搜索系统中的应用 243
11.7 电商搜索系统中的SEM 243
11.8 本章小结 246
第12章 推荐应用实战：基于广告平台的推荐 247
12.1 推荐系统的架构设计 247
12.2 推荐系统的召回和冷启动 249
12.3 ES在推荐系统中的应用 251
12.4 推荐系统中NLP的应用 252
12.5 推荐系统中粗排和精排 253
12.6 推荐系统的评价和优化 254
12.7 深度学习在推荐系统应用 255
12.8 本章小结 257