檢索匹配：深度學習在搜索、廣告、推薦系統中的應用

《檢索匹配：深度學習在搜索、廣告、推薦系統中的應用》
主要介紹了深度學習在互聯網核心的三大類業務（搜索、廣告、推薦系統）檢索系統中的應用。
書中詳細講述了檢索匹配的理論、演進歷史，以及在業務中落地一個基於深度學習算法模型的全流程技能，
包括業務問題建模、樣本準備、特徵抽取、模型訓練和預測等，並提供了相應的代碼。
《檢索匹配：深度學習在搜索、廣告、推薦系統中的應用》共11章，分為四大部分。
第1部分（第1~2章）介紹了深度學習的相關理論知識；
第2部分（第3~6章）介紹了業務中如何上線一個深度學習模型，包括標籤拼接、特徵抽取、模型訓練和預測等流程，採用單機實現；
第3部分（第7~9章）介紹了檢索算法基本理論以及演進歷史，
並以業內應用較為廣泛的雙塔模型DSSM為例進行了詳細理論解析和代碼實現；
第4部分（第10~11章）介紹瞭如何將單機訓練模式改造為分佈式訓練模式，以加快模型的訓練速度，從而應對具有海量樣本的業務場景。
《檢索匹配：深度學習在搜索、廣告、推薦系統中的應用》
為讀者提供了全部案例源代碼下載和超過180分鐘的高清學習視頻，讀者可直接掃描二維碼觀看。
《檢索匹配：深度學習在搜索、廣告、推薦系統中的應用》
旨在為讀者介紹深度學習在互聯網業務中落地的方法和實現，
主要面向算法工程師、相關領域研究人員和相關專業院校師生。

第1部分  理 論 準 備
第1章 深度學習時代/
  1.1 深度學習的飛速發展/
  1.2 深度學習在互聯網的應用/
      1.2.1 搜索/
      1.2.2 推薦/
      1.2.3 廣告/
      1.2.4 通用檢索流程/
  1.3 深度學習模型分類/
  1.4 模型服務中台/
  1.5 分佈式機器學習/
  1.6 深度學習軟件框架/
  1.7 小結/

第2章 深度學習簡介/
  2.1 生物神經網絡/
  2.2 人工神經網絡/
  2.3 業務問題建模/
  2.4 DNN的擬合能力/
  2.5 DNN的學習方式/
  2.6 CNN與RNN/
  2.7 小結/

第2部分 設計與實現
第3章 標籤拼接/
  3.1 時間窗口/
  3.2 延遲反饋/
  3.3 樣本集介紹/
      3.3.1 原始樣本/
      3.3.2 廣告基本信息表/
      3.3.3 用戶基本信息表/
      3.3.4 用戶的行為日誌/
  3.4小結/

第4章 特徵處理/
  4.1 特徵分類/
  4.2 特徵體系/
  4.3 原始特徵拼接/
      4.3.1 拼接方法/
      4.3.2 數據集特徵拼接/
      4.3.3 代碼/
  4.4 明文特徵抽取/
      4.4.1 特徵抽取算子/
      4.4.2 特徵抽取示例/
  4.5 特徵ID化/
      4.5.1 特徵詞表生成/
      4.5.2 ID化示例/
  4.6 代碼說明/
  4.7 小結/

第5章 模型構建/
  5.1 DNN求解/
      5.1.1 數學規劃/
      5.1.2 DNN方法/
  5.2 模型層/
      5.2.1 輸入層/
      5.2.2 神經網絡層/
      5.2.3 激活函數層/
  5.3模型結構/
      5.3.1 DLRM模型/
      5.3.2 模型搭建/
  5.4 損失函數/
      5.4.1 MSE損失函數/
      5.4.2 CrossEntropy損失函數/
  5.5 優化器/
      5.5.1 SGD/
      5.5.2 Momentum/
      5.5.3 Nesterov/
      5.5.4 AdaGrad/
      5.5.5 Adam/
      5.5.6 擴展/
  5.6 小結/

第6章 模型訓練與預測/
  6.1 模型評估/
  6.2 模型訓練/
      6.2.1 模型訓練流程/
      6.2.2 模型訓練技巧/
  6.3 模型預測/
  6.4 訓練效果示例/
  6.5 模型優化/
  6.6 GPU應用/
  6.7 小結/

第3部分 高級深度學習模型
第7章 檢索算法理論/
  7.1 檢索算法抽象/
  7.2 有表示匹配/
      7.2.1 標籤表示/
      7.2.2 分佈式表示/
  7.3 無表示匹配/
  7.4 內容理解/
      7.4.1 自然語言處理/
      7.4.2 計算機視覺/
      7.4.3 一點思考/
  7.5 用戶理解/
  7.6 總結/

第8章 檢索算法演進/
  8.1 前深度學習時代/
      8.1.1 LR/
      8.1.2 決策樹/
      8.1.3 協同過濾/
      8.1.4 MF/
      8.1.5 算法應用/
  8.2 深度學習時代/
      8.2.1 精排模型演進/
      8.2.2 粗排模型演進/
      8.2.3 召回模型演進/
  8.3 小結/


第9章 DSSM理論與實現/
  9.1 DSSM模型/
  9.2 DSSM實現/
  9.3 線上預測/
  9.4 ANN檢索/
      9.4.1 基於樹的方法/
      9.4.2 基於Hash的方法/
      9.4.3 基於圖的方法/
      9.4.4 ANN檢索效率比較/
  9.5 訓練效果/
  9.6 模型優化/
  9.7 小結/

第4部分 分佈式機器學習
第10章 計算機系統/
  10.1 單機系統/
      10.1.1 單機系統物理模型/
      10.1.2 單機系統程序編程/
  10.2 分佈式系統/
      10.2.1 分佈式計算/
      10.2.2 分佈式存儲/
      10.2.3 分佈式協同通信/
      10.2.4 CAP理論/
      10.2.5 一點思考/
  10.3 分佈式系統示例/
  10.4 分佈式編程示例/
  10.5 小結/

第11章 分佈式機器學習設計與實現/
  11.1 機器學習應用系統設計/
  11.2 分佈式機器學習設計/
      11.2.1 並行方式/
      11.2.2 節點協作方式/
      11.2.3 模型更新方式/
  11.3 常用的分佈式學習框架/
  11.4 PS Lite介紹/
      11.4.1 代碼架構/
      11.4.2 工作流程/
  11.5 分佈式訓練實現/
      11.5.1 架構設計/
      11.5.2 代碼實現/
      11.5.3 程序運行/
      11.5.4 模型保存與加載/
      11.5.5 效果評估/
  11.6 小結/
結語/
附錄/
附錄A 輔助學習資料/