掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
新時代·技術新未來推薦系統與深度學習 版權信息
- ISBN：9787302513636
- 條形碼：9787302513636 ; 978-7-302-51363-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
新時代·技術新未來推薦系統與深度學習 本書特色
本書的五位作者均曾就職于騰訊，分別在不同的部門從事與推薦系統相關的工作。 推薦算法具有非常多的應用場景和巨大的商業價值。推薦算法種類很多，目前應用*廣泛的應該是基于協同過濾的推薦算法。在2016年，隨著阿爾法圍棋(AlphaGo)大放異彩，新的一波深度學習浪潮已至。在圖像、音頻處理等領域，深度學習技術已成為當之無愧的王者；但在推薦領域，深度學習還處于發展階段。同時，我們在平時工作學習中，發現市面上并沒有關于兩者相結合的書籍，只能在國外論文中發現相關的方法與應用。所以，我們決定以比較簡單的表達方式，通過總結過往的推薦算法經驗，將深度學習相關的應用介紹給更多的讀者。 騰訊技術大牛經驗總結 免費提供配套源程序下載 本書除了在算法層面講解推薦系統的實現 還從工程層面詳細闡述推薦系統如何搭建 業界大咖聯袂推薦對于著力于新型的推薦模型研究的高校科研人員來說，該書提供了一個非常好的機會來了解企業實際工作中需要考慮的問題和內容，為以后推薦模型的研究方向提供了一定的參考價值。相信本書的出版，能夠給企業界和學術界人士都帶來新的視角、觀點和有意義的工程經驗，進一步推動推薦系統的應用和發展。 ——郭貴冰，東北大學軟件學院副教授，LibRec推薦算法庫創始人 作者總結了在推薦系統算法研究領域的多年實踐經驗，清楚直觀地介紹了相關的推薦算法及實踐案例。對于剛接觸推薦系統的新手和從事多年推薦系統研究的人員來說，本書都極具實踐參考價值。 ——呂子鈺，中央財經大學信息學院助理教授 本書從機器學習的基礎理論入手，深入淺出地介紹了機器學習在推薦系統中的算法與應用。一方面，作者把*新的理論研究用圖文結合的方式呈現給讀者；另一方面，根據在騰訊公司對推薦系統的多年開發經驗，作者用一個個例子詳盡闡述了推薦系統的實現步驟。無論對于剛入門的讀者還是對于有一定開發經驗的讀者，這都是一本十分有用的工具書。因此，我誠摯地向大家推薦它。 ——梁予之，北京大學深圳研究生院助理研究員*近幾年推薦系統發展迅速，從傳統的機器學習到在線學習和深度學習，系統的實時性和模型能力都有了很大的提高。本書能夠抓住技術發展的前沿，從實踐的角度出發，總結了推薦系統中的關鍵技術，是一本難得的將理論和實踐相結合的好書。 ——鄧大付，騰訊游戲AI中心總監，資深技術專家 近些年，深度學習在語音、圖像以及自然語言處理領域均取得了突破性的成就，但其在推薦系統中的應用仍處于早期階段。作者詳細介紹了深度學習的核心理論、架構及算法平臺，并結合團隊在音樂推薦生產環境中的思考和探索，細致地為大家呈現了深度學習在推薦系統中的關鍵技術應用，相信可以為廣大讀者帶來非常有價值的綜合指導。 ——李深遠，騰訊音樂業務線個性化推薦中心副總監 推薦系統是*近幾年發展*快的機器學習應用領域之一，而大數據、深度學習技術的興起更是極大地促進了個性化推薦技術的發展。本書從實踐出發，詳細介紹了經典的深度學習算法、平臺和架構，兼具技術廣度和深度，適合不同技術階段的讀者閱讀。 ——劉黎春，騰訊數據應用中心副總監，專家研究員對于想了解或從事推薦系統相關技術的人員來說，本書是一本較好的入門書：既深入淺出地梳理了推薦系統的主要體系與經典算法，又能夠緊貼前沿詳細講解了深度學習驅動的新一輪推薦技術升級脈絡及演化方向，具有較高的實踐參考價值。 ——朱小強，阿里巴巴資深算法專家
新時代·技術新未來推薦系統與深度學習 內容簡介
本書的幾位作者都在大型互聯網公司從事與推薦系統相關的實踐與研究，通過這本書，把推薦系統工作經驗予以總結，以幫助想從事推薦系統的工作者或推薦系統愛好者。本書的內容設置由淺入深，從傳統的推薦算法過渡到近年興起的深度學習技術。不管是初學者，還是有一定經驗的從業人員，相信都能從本書的不同章節中有所收獲。 區別于其他推薦算法書籍，本書引入了已被實踐證明效果較好的深度學習推薦技術，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技術應用，并給出了相關的實踐代碼；除了在算法層面講解推薦系統的實現，還從工程層面詳細闡述推薦系統如何搭建。
新時代·技術新未來推薦系統與深度學習 目錄
第1 章什么是推薦系統1
1.1 推薦系統的概念.1
1.1.1 推薦系統的基本概念1
1.1.2 深度學習與推薦系統4
第2 章深度神經網絡.7
2.1 什么是深度學習.7
2.1.1 深度學習的三次興起7
2.1.2 深度學習的優勢9
2.2 神經網絡基礎11
2.2.1 神經元11
2.2.2 神經網絡.12
2.2.3 反向傳播.13
2.2.4 優化算法.14
2.3 卷積網絡基礎17
2.3.1 卷積層17
2.3.2 池化層19
2.3.3 常見的網絡結構19
2.4 循環網絡基礎21
2.4.1 時序反向傳播算法22
2.4.2 長短時記憶網絡24
2.5 生成對抗基礎25
2.5.1 對抗博弈.26
2.5.2 理論推導.27
2.5.3 常見的生成對抗網絡29
iv j 推薦系統與深度學習
第3 章TensorFlow 平臺31
3.1 什么是TensorFlow 31
3.2 TensorFlow 安裝指南.33
3.2.1 Windows 環境安裝.33
3.2.2 Linux 環境安裝.34
3.3 TensorFlow 基礎.36
3.3.1 數據流圖.36
3.3.2 會話37
3.3.3 圖可視化.37
3.3.4 變量37
3.3.5 占位符38
3.3.6 優化器38
3.3.7 一個簡單的例子38
3.4 其他深度學習平臺39
第4 章推薦系統的基礎算法42
4.1 基于內容的推薦算法.42
4.1.1 基于內容的推薦算法基本流程42
4.1.2 基于內容推薦的特征提取.45
4.2 基于協同的推薦算法.47
4.2.1 基于物品的協同算法49
4.2.2 基于用戶的協同算法57
4.2.3 基于用戶協同和基于物品協同的區別59
4.2.4 基于矩陣分解的推薦方法.61
4.2.5 基于稀疏自編碼的推薦方法.71
4.3 基于社交網絡的推薦算法80
4.3.1 基于用戶的推薦在社交網絡中的應用81
4.3.2 node2vec 技術在社交網絡推薦中的應用85
4.4 推薦系統的冷啟動問題94
4.4.1 如何解決推薦系統冷啟動問題94
4.4.2 深度學習技術在物品冷啟動上的應用101
目錄j v
第5 章混合推薦系統119
5.1 什么是混合推薦系統.119
5.1.1 混合推薦系統的意義120
5.1.2 混合推薦系統的算法分類.122
5.2 推薦系統特征處理方法125
5.2.1 特征處理方法126
5.2.2 特征選擇方法134
5.3 常見的預測模型141
5.3.1 基于邏輯回歸的模型141
5.3.2 基于支持向量機的模型.144
5.3.3 基于梯度提升樹的模型.148
5.4 排序學習150
5.4.1 基于排序的指標來優化.150
5.4.2 L2R 算法的三種情形.152
第6 章基于深度學習的推薦模型156
6.1 基于DNN 的推薦算法156
6.2 基于DeepFM 的推薦算法163
6.3 基于矩陣分解和圖像特征的推薦算法171
6.4 基于循環網絡的推薦算法.174
6.5 基于生成對抗網絡的推薦算法.176
6.5.1 IRGAN 的代碼實現.179
第7 章推薦系統架構設計.183
7.1 推薦系統基本模型183
7.2 推薦系統常見架構185
7.2.1 基于離線訓練的推薦系統架構設計185
7.2.2 面向深度學習的推薦系統架構設計191
7.2.3 基于在線訓練的推薦系統架構設計194
7.2.4 面向內容的推薦系統架構設計197
7.3 推薦系統常用組件199
7.3.1 數據上報常用組件199
vi j 推薦系統與深度學習
7.3.2 離線存儲常用組件200
7.3.3 離線計算常用組件200
7.3.4 在線存儲常用組件201
7.3.5 模型服務常用組件201
7.3.6 實時計算常用組件201
7.4 推薦系統常見問題201
7.4.1 實時性.201
7.4.2 多樣性.202
7.4.3 曝光打擊和不良內容過濾.202
7.4.4 評估測試.202
后記.203
圖1.1 淘寶猜你喜歡欄目2
圖1.2 百度指數.4
圖1.3 歌曲詞嵌入模型空間向量.6
圖2.1 神經網絡的三次興起8
圖2.2 不同層數的神經網絡擬合分界面的能力.10
圖2.3 不同層數的神經網絡表示能力10
圖2.4 神經網絡的基本結構11
圖2.5 感知器算法12
圖2.6 三層全連接神經網絡13
圖2.7 動量對比.16
圖2.8 卷積運算.18
圖2.9 池化層19
圖2.10 LeNet 卷積結構.20
圖2.11 Alex-Net 卷積結構20
圖2.12 RNN 21
圖2.13 LSTM 在t 時刻的內部結構24
圖2.14 GAN 網絡25
圖3.1 TensorFlow 安裝截圖34
圖3.2 TensorBoard 計算37
圖4.1 騰訊視頻APP 推薦頁面.44
圖4.2 截取自當當網.49
圖4.3 截取自QQ 音樂APP.49
圖4.4 用戶購買物品記錄50
圖4.5 同時被購買次數矩陣C 51
圖4.6 相似度計算結果1 52
圖4.7 相似度計算結果2 54
viii j 推薦系統與深度學習
圖4.8 相似度計算結果3 55
圖4.9 截取自當當網.57
圖4.10 物品的倒排索引57
圖4.11 用戶評分矩陣.63
圖4.12 Sigma 值64
圖4.13 NewData 值65
圖4.14 Mydata 值65
圖4.15 自編碼神經網絡模型72
圖4.16 稀疏自編碼**個網絡.73
圖4.17 稀疏自編碼第二個網絡.74
圖4.18 稀疏自編碼第三個網絡.75
圖4.19 將三個網絡組合起來75
圖4.20 社交網絡關系圖示例81
圖4.21 融入用戶關系和物品關系82
圖4.22 社交網絡關系圖示例86
圖4.23 社交網絡關系圖示例86
圖4.24 CBOW 和Skip-Gram 示例.88
圖4.25 Skip-Gram 網絡結構89
圖4.26 CBOW 網絡結構91
圖4.27 word analogy 示例93
圖4.28 某網站登錄頁面95
圖4.29 QQ 互聯開放注冊平臺1 96
圖4.30 QQ 互聯開放注冊平臺2 97
圖4.31 QQ 互聯應用管理頁面1 97
圖4.32 QQ 互聯應用管理頁面2 97
圖4.33 QQ 互聯QQ 登錄功能獲取97
圖4.34 QQ 音樂APP 中的偏好選擇98
圖4.35 (a) 為每部電影被打分的分布，(b) 為每個用戶打分的分布100
圖4.36 (a) 為每部電影平均分分布，(b) 為每個用戶平均分分布.100
圖4.37 基于專家數據的CF 與基于用戶數據CF 比較.101
圖目錄j ix
圖4.38 音樂頻譜示例102
圖4.39 4 個流派的頻譜圖示例103
圖4.40 CNN 音頻分類結構.103
圖4.41 CNN+LSTM 組合音頻分類模型.104
圖4.42 分類預測結果的混淆矩陣104
圖4.43 模型倒數第二層128 維向量降維可視化104
圖4.44 微軟how-old.net 107
圖4.45 SCUT-FBP 數據集示例圖108
圖4.46 臉部截取后的數據集示例圖.108
圖4.47 CNN 層數過多，誤差反而較大113
圖4.48 殘差網絡的基本結構113
圖4.49 殘差網絡完整結構.114
圖5.1 NetFlix 的實時推薦系統的架構圖120
圖5.2 整體式混合推薦系統125
圖5.3 并行式混合推薦系統125
圖5.4 流水線式混合推薦系統.125
圖5.5 MDLP 特征離散化130
圖5.6 ChiMerge 特征離散化.131
圖5.7 層次化時間按序列特征.133
圖5.8 Learn to rank 的局限153
圖6.1 Wide & Deep 模型結構157
圖6.2 推薦系統的召回和排序兩個階段158
圖6.3 召回模型結構.159
圖6.4 序列信息160
圖6.5 排序模型結構.161
圖6.6 不同NN 的效果162
圖6.7 DeepFM 模型結構(網絡左邊為FM 層，右邊為DNN 層).164
圖6.8 FM 一階部分165
圖6.9 FM 二階部分166
圖6.10 FM/DNN/DeepFM 的比較171
x j 推薦系統與深度學習
圖6.11 電影靜止幀圖片舉例172
圖6.12 Alex-Net 卷積網絡.173
圖6.13 左圖：時間無關的推薦系統。右圖：時間相關的推薦系統174
圖6.14 基于循環神經網絡的推薦系統175
圖6.15 判別器177
圖6.16 生成器178
圖6.17 IRGAN 說明179
圖7.1 監督學習基本模型.184
圖7.2 基于離線訓練的推薦系統架構設計186
圖7.3 數據上報模塊.187
圖7.4 離線訓練模塊.187
圖7.5 推薦系統中的存儲分層.188
圖7.6 在線預測的幾個階段189
圖7.7 推薦系統通用性設計190
圖7.8 面向深度學習的推薦系統架構設計191
圖7.9 利用深度學習進行特征提取192
圖7.10 參數服務器架構193
圖7.11 基于在線訓練的推薦系統架構設計195
圖7.12 在線學習之實時特征處理196
圖7.13 面向內容的推薦系統架構設計198
圖7.14 用于推薦的內容池.198
圖7.15 Apache Kafka 邏輯架構.200
表4.1 用戶A 和B 的評分矩陣.43
表4.2 電影內容特征二進制表示45
表4.3 人臉魅力值打分不同模型的MAE 比較112
表4.4 人臉魅力值打分不同模型的MAE 比較117
表4.5 Keras 預訓練好的圖像分類模型118
1.1 推薦系統的概念.1
1.1.1 推薦系統的基本概念1
1.1.2 深度學習與推薦系統4
第2 章深度神經網絡.7
2.1 什么是深度學習.7
2.1.1 深度學習的三次興起7
2.1.2 深度學習的優勢9
2.2 神經網絡基礎11
2.2.1 神經元11
2.2.2 神經網絡.12
2.2.3 反向傳播.13
2.2.4 優化算法.14
2.3 卷積網絡基礎17
2.3.1 卷積層17
2.3.2 池化層19
2.3.3 常見的網絡結構19
2.4 循環網絡基礎21
2.4.1 時序反向傳播算法22
2.4.2 長短時記憶網絡24
2.5 生成對抗基礎25
2.5.1 對抗博弈.26
2.5.2 理論推導.27
2.5.3 常見的生成對抗網絡29
iv j 推薦系統與深度學習
第3 章TensorFlow 平臺31
3.1 什么是TensorFlow 31
3.2 TensorFlow 安裝指南.33
3.2.1 Windows 環境安裝.33
3.2.2 Linux 環境安裝.34
3.3 TensorFlow 基礎.36
3.3.1 數據流圖.36
3.3.2 會話37
3.3.3 圖可視化.37
3.3.4 變量37
3.3.5 占位符38
3.3.6 優化器38
3.3.7 一個簡單的例子38
3.4 其他深度學習平臺39
第4 章推薦系統的基礎算法42
4.1 基于內容的推薦算法.42
4.1.1 基于內容的推薦算法基本流程42
4.1.2 基于內容推薦的特征提取.45
4.2 基于協同的推薦算法.47
4.2.1 基于物品的協同算法49
4.2.2 基于用戶的協同算法57
4.2.3 基于用戶協同和基于物品協同的區別59
4.2.4 基于矩陣分解的推薦方法.61
4.2.5 基于稀疏自編碼的推薦方法.71
4.3 基于社交網絡的推薦算法80
4.3.1 基于用戶的推薦在社交網絡中的應用81
4.3.2 node2vec 技術在社交網絡推薦中的應用85
4.4 推薦系統的冷啟動問題94
4.4.1 如何解決推薦系統冷啟動問題94
4.4.2 深度學習技術在物品冷啟動上的應用101
目錄j v
第5 章混合推薦系統119
5.1 什么是混合推薦系統.119
5.1.1 混合推薦系統的意義120
5.1.2 混合推薦系統的算法分類.122
5.2 推薦系統特征處理方法125
5.2.1 特征處理方法126
5.2.2 特征選擇方法134
5.3 常見的預測模型141
5.3.1 基于邏輯回歸的模型141
5.3.2 基于支持向量機的模型.144
5.3.3 基于梯度提升樹的模型.148
5.4 排序學習150
5.4.1 基于排序的指標來優化.150
5.4.2 L2R 算法的三種情形.152
第6 章基于深度學習的推薦模型156
6.1 基于DNN 的推薦算法156
6.2 基于DeepFM 的推薦算法163
6.3 基于矩陣分解和圖像特征的推薦算法171
6.4 基于循環網絡的推薦算法.174
6.5 基于生成對抗網絡的推薦算法.176
6.5.1 IRGAN 的代碼實現.179
第7 章推薦系統架構設計.183
7.1 推薦系統基本模型183
7.2 推薦系統常見架構185
7.2.1 基于離線訓練的推薦系統架構設計185
7.2.2 面向深度學習的推薦系統架構設計191
7.2.3 基于在線訓練的推薦系統架構設計194
7.2.4 面向內容的推薦系統架構設計197
7.3 推薦系統常用組件199
7.3.1 數據上報常用組件199
vi j 推薦系統與深度學習
7.3.2 離線存儲常用組件200
7.3.3 離線計算常用組件200
7.3.4 在線存儲常用組件201
7.3.5 模型服務常用組件201
7.3.6 實時計算常用組件201
7.4 推薦系統常見問題201
7.4.1 實時性.201
7.4.2 多樣性.202
7.4.3 曝光打擊和不良內容過濾.202
7.4.4 評估測試.202
后記.203
圖1.1 淘寶猜你喜歡欄目2
圖1.2 百度指數.4
圖1.3 歌曲詞嵌入模型空間向量.6
圖2.1 神經網絡的三次興起8
圖2.2 不同層數的神經網絡擬合分界面的能力.10
圖2.3 不同層數的神經網絡表示能力10
圖2.4 神經網絡的基本結構11
圖2.5 感知器算法12
圖2.6 三層全連接神經網絡13
圖2.7 動量對比.16
圖2.8 卷積運算.18
圖2.9 池化層19
圖2.10 LeNet 卷積結構.20
圖2.11 Alex-Net 卷積結構20
圖2.12 RNN 21
圖2.13 LSTM 在t 時刻的內部結構24
圖2.14 GAN 網絡25
圖3.1 TensorFlow 安裝截圖34
圖3.2 TensorBoard 計算37
圖4.1 騰訊視頻APP 推薦頁面.44
圖4.2 截取自當當網.49
圖4.3 截取自QQ 音樂APP.49
圖4.4 用戶購買物品記錄50
圖4.5 同時被購買次數矩陣C 51
圖4.6 相似度計算結果1 52
圖4.7 相似度計算結果2 54
viii j 推薦系統與深度學習
圖4.8 相似度計算結果3 55
圖4.9 截取自當當網.57
圖4.10 物品的倒排索引57
圖4.11 用戶評分矩陣.63
圖4.12 Sigma 值64
圖4.13 NewData 值65
圖4.14 Mydata 值65
圖4.15 自編碼神經網絡模型72
圖4.16 稀疏自編碼**個網絡.73
圖4.17 稀疏自編碼第二個網絡.74
圖4.18 稀疏自編碼第三個網絡.75
圖4.19 將三個網絡組合起來75
圖4.20 社交網絡關系圖示例81
圖4.21 融入用戶關系和物品關系82
圖4.22 社交網絡關系圖示例86
圖4.23 社交網絡關系圖示例86
圖4.24 CBOW 和Skip-Gram 示例.88
圖4.25 Skip-Gram 網絡結構89
圖4.26 CBOW 網絡結構91
圖4.27 word analogy 示例93
圖4.28 某網站登錄頁面95
圖4.29 QQ 互聯開放注冊平臺1 96
圖4.30 QQ 互聯開放注冊平臺2 97
圖4.31 QQ 互聯應用管理頁面1 97
圖4.32 QQ 互聯應用管理頁面2 97
圖4.33 QQ 互聯QQ 登錄功能獲取97
圖4.34 QQ 音樂APP 中的偏好選擇98
圖4.35 (a) 為每部電影被打分的分布，(b) 為每個用戶打分的分布100
圖4.36 (a) 為每部電影平均分分布，(b) 為每個用戶平均分分布.100
圖4.37 基于專家數據的CF 與基于用戶數據CF 比較.101
圖目錄j ix
圖4.38 音樂頻譜示例102
圖4.39 4 個流派的頻譜圖示例103
圖4.40 CNN 音頻分類結構.103
圖4.41 CNN+LSTM 組合音頻分類模型.104
圖4.42 分類預測結果的混淆矩陣104
圖4.43 模型倒數第二層128 維向量降維可視化104
圖4.44 微軟how-old.net 107
圖4.45 SCUT-FBP 數據集示例圖108
圖4.46 臉部截取后的數據集示例圖.108
圖4.47 CNN 層數過多，誤差反而較大113
圖4.48 殘差網絡的基本結構113
圖4.49 殘差網絡完整結構.114
圖5.1 NetFlix 的實時推薦系統的架構圖120
圖5.2 整體式混合推薦系統125
圖5.3 并行式混合推薦系統125
圖5.4 流水線式混合推薦系統.125
圖5.5 MDLP 特征離散化130
圖5.6 ChiMerge 特征離散化.131
圖5.7 層次化時間按序列特征.133
圖5.8 Learn to rank 的局限153
圖6.1 Wide & Deep 模型結構157
圖6.2 推薦系統的召回和排序兩個階段158
圖6.3 召回模型結構.159
圖6.4 序列信息160
圖6.5 排序模型結構.161
圖6.6 不同NN 的效果162
圖6.7 DeepFM 模型結構(網絡左邊為FM 層，右邊為DNN 層).164
圖6.8 FM 一階部分165
圖6.9 FM 二階部分166
圖6.10 FM/DNN/DeepFM 的比較171
x j 推薦系統與深度學習
圖6.11 電影靜止幀圖片舉例172
圖6.12 Alex-Net 卷積網絡.173
圖6.13 左圖：時間無關的推薦系統。右圖：時間相關的推薦系統174
圖6.14 基于循環神經網絡的推薦系統175
圖6.15 判別器177
圖6.16 生成器178
圖6.17 IRGAN 說明179
圖7.1 監督學習基本模型.184
圖7.2 基于離線訓練的推薦系統架構設計186
圖7.3 數據上報模塊.187
圖7.4 離線訓練模塊.187
圖7.5 推薦系統中的存儲分層.188
圖7.6 在線預測的幾個階段189
圖7.7 推薦系統通用性設計190
圖7.8 面向深度學習的推薦系統架構設計191
圖7.9 利用深度學習進行特征提取192
圖7.10 參數服務器架構193
圖7.11 基于在線訓練的推薦系統架構設計195
圖7.12 在線學習之實時特征處理196
圖7.13 面向內容的推薦系統架構設計198
圖7.14 用于推薦的內容池.198
圖7.15 Apache Kafka 邏輯架構.200
表4.1 用戶A 和B 的評分矩陣.43
表4.2 電影內容特征二進制表示45
表4.3 人臉魅力值打分不同模型的MAE 比較112
表4.4 人臉魅力值打分不同模型的MAE 比較117
表4.5 Keras 預訓練好的圖像分類模型118
展開全部
新時代·技術新未來推薦系統與深度學習 作者簡介
黃昕， 現任騰訊音樂集團高級工程師，先后負責QQ音樂、全民K歌等App推薦算法開發及系統架構設計工作。 趙偉， 德國達姆施塔特工業大學在讀博士生，研究方向包括自然語言處理和信息檢索。曾任騰訊知文實驗室研究員。 呂慧偉， 現任騰訊科技有限公司高級工程師。中國科學院計算技術研究所計算機體系結構博士，MPICH核心開發者。 王本友， 意大利帕多瓦大學博士生，歐盟瑪麗?居里研究員。曾作為主要成員，從零開始搭建了騰訊云智能客服系統。 楊敏， 現任中國科學院深圳先進技術研究院助理研究員，從事文本挖掘、自然語言處理、人工智能相關領域的研究與開發工作。曾任騰訊高級研究員。
書友推薦
- >
我從未如此眷戀人間
- >
月亮虎
- >
中國歷史的瞬間
- >
煙與鏡
- >
姑媽的寶刀
- >
朝聞道
- >
詩經-先民的歌唱
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
