本书从语义匹配的角度解决搜索引擎和推荐系统的关键痛点，为构建解决语义匹配问题的深度学习模型提供了通用框架。第1章概述搜索和推荐中的语义匹配问题，以及近年来的研究进展。第2章介绍传统匹配模型，包括潜在空间模型。第3章介绍深度学习技术在构建匹配模型时的应用。第4章和第5章分别介绍用于搜索和推荐的深度匹配模型，并将当前的深度学习解决方案分为两类：表示学习方法和匹配函数学习方法。第6章对全书内容做了总结，并为读者指明进一步学习的方向。
本书适合对深度学习感兴趣的各类读者，包括相关专业的本科生、研究生、博士生，以及从事信息检索、搜索引擎、推荐系统、计算广告相关工作的软件工程师。

朱小虎，通用人工智能研究员、谷歌机器学习GDE、百度深度学习布道师、Foresight Institute Fellow。University AI和Centerfor Safe AGI的创始人。举办过多场国际性人工智能峰会和活动，曾受邀为多所国内高校制订人工智能学习规划和教授人工智能前沿课程，也曾为多家世界500强企业提供人工智能方面的战略布局建议及落地实施等方面的咨询建议。《深入浅出神经网络与深度学习》《人工智能缔造师》等书译者。

第1章 引论
1.1 搜索和推荐
1.2 从匹配的角度统一搜索和推荐
1.3 搜索中的不匹配问题
1.4 推荐系统中的不匹配问题
1.5 最新进展
1.6 关于本书
第2章 传统匹配模型
2.1 匹配学习
2.1.1 匹配函数
2.1.2 匹配函数的学习
2.2 搜索和推荐中的匹配模型
2.2.1 搜索中的匹配模型
2.2.2 推荐中的匹配模型
2.2.3 潜在空间中的匹配
2.3 搜索中的潜在空间模型
2.3.1 PLS
2.3.2 RMLS
2.3.3 SSI
2.4 推荐中的潜在空间模型
2.4.1 BMF
2.4.2 FISM
2.4.3 FM
2.5 延伸阅读
第3章 用于匹配的深度学习
3.1 深度学习概述
3.1.1 深度神经网络
3.1.2 表示学习
3.2 用于匹配的深度学习概述
3.2.1 深度匹配的通用框架
3.2.2 深度匹配的典型架构
3.2.3 深度匹配的设计原理
第4章 搜索中的深度匹配模型
4.1 基于表示学习的匹配模型
4.1.1 总体框架
4.1.2 FNN表示
4.1.3 CNN表示
4.1.4 RNN表示
4.1.5 无监督方法和弱监督方法下的表示学习
4.1.6 表示多模态的查询和文档
4.1.7 实验结果
4.2 基于匹配函数学习的查询–文档匹配模型
4.2.1 总体框架
4.2.2 用匹配矩阵学习匹配函数
4.2.3 用注意力机制学习匹配函数
4.2.4 搜索中的匹配函数学习
4.2.5 实验结果
4.3 讨论和延伸阅读
4.3.1 讨论
4.3.2 延伸阅读
第5章 推荐中的深度匹配模型
5.1 基于表示学习的匹配
5.1.1 从无序交互中学习表示
5.1.2 从顺序交互中学习表示
5.1.3 从多模态内容中学习表示
5.1.4 从图数据中学习表示
5.2 基于匹配函数学习的匹配
5.2.1 双路匹配
5.2.2 多路匹配
5.3 延伸阅读
5.3.1 论文
5.3.2 基准数据集
5.3.3 开源软件库
第6章 结论和未来研究方向
6.1 总结
6.2 其他任务中的匹配
6.3 开放问题和未来发展方向
术语缩写表
参考文献