本書從語義匹配的角度解決搜索引擎和推薦系統的關鍵痛點，為構建解決語義匹配問題的深度學習模型提供了通用框架。第1章概述搜索和推薦中的語義匹配問題，以及近年來的研究進展。第2章介紹傳統匹配模型，包括潛在空間模型。第3章介紹深度學習技術在構建匹配模型時的應用。第4章和第5章分別介紹用于搜索和推薦的深度匹配模型，并將當前的深度學習解決方案分為兩類：表示學習方法和匹配函數學習方法。第6章對全書內容做了總結，并為讀者指明進一步學習的方向。
本書適合對深度學習感興趣的各類讀者，包括相關專業的本科生、研究生、博士生，以及從事信息檢索、搜索引擎、推薦系統、計算廣告相關工作的軟件工程師。
- 人工智能大咖徐君、何向南、李航聯袂創作
- 用深度學習助力搜索引擎和推薦系統
信息科學的一大基本問題是如何從龐大的信息庫中識別滿足用戶需求的信息。雖然搜索和推薦都屬于信息訪問范式，但二者的信息提供機制各異。本書從語義匹配的角度為搜索和推薦提供了統一的框架，歸納和總結了深度匹配學習領域的前沿成果，旨在幫助深度匹配模型更廣泛地應用于與搜索和推薦相關的互聯網產品。
【作者簡介】 徐君 中國人民大學杰出特聘教授、博導。曾就職于微軟亞洲研究院、華為技術有限公司諾亞方舟實驗室和中國科學院計算技術研究所。主要研究方向包括信息檢索、因果分析和數據挖掘等。發表論文100余篇，擔任多個國際期刊的編委或副主編，主持多項國家項目。 何向南 中國科學技術大學教授、博導，國家高層次青年人才計劃入選者。研究方向包括推薦系統、數據挖掘、因果推理等，在SIGIR、KDD、WWW等國際學術會議上發表論文100余篇，愛思唯爾中國高被引學者，阿里巴巴達摩院青橙獎獲得者。擔任多個國際期刊的編委或副主編，主持多項國家級項目，研究成果在多個商業公司的線上系統中獲得應用，取得積極效果。 李航 字節跳動科技有限公司研究部門負責人。ACL會士、IEEE會士、ACM杰出科學家。京都大學畢業，東京大學博士。曾就職于NEC公司中央研究所、微軟亞洲研究院、華為技術有限公司諾亞方舟實驗室。主要研究方向包括自然語言處理、信息檢索、機器學習、數據挖掘。《機器學習方法》等書作者。 【譯者簡介】 朱小虎 通用人工智能研究員、谷歌機器學習GDE、百度深度學習布道師、Foresight Institute Fellow。University AI和Center for Safe AGI的創始人。舉辦過多場國際性人工智能峰會和活動，曾受邀為多所國內高校制訂人工智能學習規劃和教授人工智能前沿課程，也曾為多家世界500強企業提供人工智能方面的戰略布局建議及落地實施等方面的咨詢建議。《深入淺出神經網絡與深度學習》《人工智能締造師》等書譯者。
第 1章 引論 1
1.1 搜索和推薦 1
1.2 從匹配的角度統一搜索和推薦 2
1.3 搜索中的不匹配問題 4
1.4 推薦系統中的不匹配問題 5
1.5 最新進展 7
1.6 關于本書 8
第 2章 傳統匹配模型 11
2.1 匹配學習 11
2.1.1 匹配函數 11
2.1.2 匹配函數的學習 12
2.2 搜索和推薦中的匹配模型 17
2.2.1 搜索中的匹配模型 18
2.2.2 推薦中的匹配模型 18
2.2.3 潛在空間中的匹配 19
2.3 搜索中的潛在空間模型 21
2.3.1 PLS 21
2.3.2 RMLS 22
2.3.3 SSI 23
2.4 推薦中的潛在空間模型 24
2.4.1 BMF 25
2.4.2 FISM 26
2.4.3 FM 27
2.5 延伸閱讀 28
第3章 用于匹配的深度學習 29
3.1 深度學習概述 29
3.1.1 深度神經網絡 29
3.1.2 表示學習 40
3.2 用于匹配的深度學習概述 46
3.2.1 深度匹配的通用框架 46
3.2.2 深度匹配的典型架構 48
3.2.3 深度匹配的設計原理 50
第4章 搜索中的深度匹配模型 53
4.1 基于表示學習的匹配模型 55
4.1.1 總體框架 55
4.1.2 FNN表示 56
4.1.3 CNN表示 58
4.1.4 RNN表示 63
4.1.5 無監督方法和弱監督方法下的表示學習 64
4.1.6 表示多模態的查詢和文檔 68
4.1.7 實驗結果 72
4.2 基于匹配函數學習的查詢?C文檔匹配模型 73
4.2.1 總體框架 73
4.2.2 用匹配矩陣學習匹配函數 74
4.2.3 用注意力機制學習匹配函數 81
4.2.4 搜索中的匹配函數學習 86
4.2.5 實驗結果 91
4.3 討論和延伸閱讀 93
4.3.1 討論 93
4.3.2 延伸閱讀 95
第5章 推薦中的深度匹配模型 101
5.1 基于表示學習的匹配 102
5.1.1 從無序交互中學習表示 103
5.1.2 從順序交互中學習表示 108
5.1.3 從多模態內容中學習表示 118
5.1.4 從圖數據中學習表示 126
5.2 基于匹配函數學習的匹配 133
5.2.1 雙路匹配 134
5.2.2 多路匹配 140
5.3 延伸閱讀 145
5.3.1 論文 146
5.3.2 基準數據集 147
5.3.3 開源軟件庫 148
第6章 結論和未來研究方向 149
6.1 總結 149
6.2 其他任務中的匹配 150
6.3 開放問題和未來發展方向 151
術語縮寫表 155
參考文獻 157
新書資訊