推薦系統(tǒng)實戰(zhàn)寶典

定　價：￥99.00

作　者：	猿媛之家組編，呂倩倩陳欣楚秦等編著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111713531	出版時間：	2022-09-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　《推薦系統(tǒng)實戰(zhàn)寶典》主要圍繞推薦系統(tǒng)進行講解，全面介紹了掌握推薦系統(tǒng)技術所需要學習的算法及步驟。書中描述了基于點擊率評估、RBM的推薦，基于標簽的推薦，基于用戶行為、內(nèi)容、模型、流行度、鄰域、圖的推薦，以及基于上下文的推薦，還有使用自然語言處理或者矩陣分解的推薦，包括算法原理的介紹，對于每一種推薦方式也做了細粒度的分析及場景化的應用。還分享了作者在實際應用中的解決方案及擴展思路。除此之外，本書還會涉及一些基礎算法及數(shù)學知識，并且包括對于推薦算法的一些模型評估以及校驗的描述。閱讀本書可以幫助讀者學習基礎算法和推薦算法的原理及實際應用，同時還能學習到推薦系統(tǒng)開發(fā)的設計思想、設計模式、開發(fā)流程等。這些對于讀者全面提高自己的推薦系統(tǒng)開發(fā)水平有很大的幫助?！锻扑]系統(tǒng)實戰(zhàn)寶典》為讀者提供了全部案例源代碼下載和超過1100分鐘的高清學習視頻，讀者可直接掃描二維碼觀看?！锻扑]系統(tǒng)實戰(zhàn)寶典》適合從事推薦系統(tǒng)相關領域研發(fā)的人員、高年級本科生或研究生、熱衷于推薦系統(tǒng)開發(fā)的讀者閱讀。

作者簡介

　　1. 呂倩倩，女，2018年畢業(yè)于沈陽航空航天大學軟件工程專業(yè)，獲工學學士學位。原商品交易所大數(shù)據(jù)開發(fā)工程師，現(xiàn)任花旗銀行大數(shù)據(jù)開發(fā)工程師。2015年獲得ACM-ICPC大賽三等獎；2016年獲得美國數(shù)學建模競賽一等獎、亞太數(shù)學建模二等獎，并多次獲得全國大學生數(shù)學建模競賽一等獎、二等獎；2018年獲得阿里云ACA認證證書。2. 陳欣，女，華南農(nóng)業(yè)大學電子工程學院/人工智能學院副教授，碩士研究生導師，華南農(nóng)業(yè)大學高層次引進人才。主持多項國家自然科學基金、廣東省自然科學基金項目，在國內(nèi)外學術期刊上發(fā)表論文20余篇，在步態(tài)識別方面的研究成果被央視專題報道，圍繞該成果錄制的《極客出發(fā)》節(jié)目在央視黃金時段播出。

圖書目錄

第1部分推薦系統(tǒng)介紹篇
第1章推薦系統(tǒng)概述／2
1.1 什么是推薦系統(tǒng)／2
1.2 推薦系統(tǒng)的架構(gòu)／3
1.3 推薦系統(tǒng)架構(gòu)治理／4
1.4 推薦引擎的架構(gòu)／5
1.5 推薦系統(tǒng)的應用／9
1.5.1 電影和視頻網(wǎng)站／9
1.5.2 個性化音樂電臺／10
1.5.3 個性化廣告及搜索廣告／10
1.5.4 多業(yè)務融合推薦策略實踐與思考／11
1.6 推薦系統(tǒng)評測／11
1.6.1 推薦系統(tǒng)實驗方法／12
1.6.2 評測指標／13
1.6.3 評測維度／14
1.7 推薦系統(tǒng)知識儲備／14
第2部分推薦系統(tǒng)基礎篇
第2章機器學習準備工作／16
2.1 機器學習緒論／18
2.1.1 數(shù)據(jù)積累／18
2.1.2 特征（過濾法、包裝法、嵌入法）／18
2.1.3 模型的不可解釋性／22
2.2 數(shù)學基礎知識／23
2.2.1 微積分／23
2.2.2 統(tǒng)計學／29
2.2.3 線性代數(shù)／35
2.2.4 信息論基礎／36
2.2.5 凸優(yōu)化／37
2.3 Python編程／39
第3章機器學習基礎——讓推薦系統(tǒng)更懂你／49
3.1 貝葉斯分類器／49
3.1.1 貝葉斯決策論／53
3.1.2 大似然估計／57
3.1.3 EM算法／59
3.1.4 垃圾郵件過濾實戰(zhàn)／62
3.2 決策樹／65
3.3 支持向量機（SVM）／70
3.3.1 SVM介紹／70
3.3.2 半監(jiān)督SVM／71
3.4 KNN算法／71
3.5 線性回歸／73
3.6 邏輯回歸／77
3.7 Spark MLlib／79
3.7.1 Spark MLlib簡介／79
3.7.2 Spark MLlib矩陣計算／80
3.7.3 Spark MLlib實現(xiàn)分類算法／81
3.7.4 Spark MLlib實現(xiàn)回歸算法／81
3.7.5 Spark MLlib實現(xiàn)聚類算法／82
3.8 聚類任務／82
3.8.1 k均值聚類算法／82
3.8.2 高斯混合聚類／85
第3部分推薦系統(tǒng)進階篇
第4章基于點擊率預估、RBM的推薦／94
4.1 傳統(tǒng)推薦算法的局限和應用／94
4.1.1 傳統(tǒng)推薦算法的局限／94
4.1.2 傳統(tǒng)推薦算法的應用／95
4.1.3 點擊率預估在推薦系統(tǒng)中的應用／95
4.2 集成學習（Ensemble Learning）／95
4.2.1 GBDT／96
4.2.2 XgBoost／97
4.2.3 Bagging與隨機森林／98
4.3 實例：基于RBM的推薦算法／102
第5章基于標簽的推薦／104
5.1 基于標簽系統(tǒng)的應用／104
5.2 數(shù)據(jù)標注與關鍵詞提?。?04
5.2.1 推薦系統(tǒng)中的數(shù)據(jù)標注／104
5.2.2 推薦系統(tǒng)中的關鍵詞提取／105
5.2.3 標簽的分類／106
5.3 基于標簽的推薦系統(tǒng)／106
5.3.1 標簽評分算法／106
5.3.2 標簽評分算法改進／107
5.3.3 標簽基因／107
5.3.4 用戶興趣建模／107
5.4 實例：使用標簽推薦算法實現(xiàn)藝術家的推薦／108
5.4.1 了解實現(xiàn)思路／108
5.4.2 準備數(shù)據(jù)／108
5.4.3 選擇算法／109
5.4.4 模型訓練／109
5.4.5 效果評估／110
第6章推薦算法／112
6.1 基于內(nèi)容的推薦算法／112
6.2 基于用戶行為特征的推薦算法／113
6.2.1 User-Based CF詳解及優(yōu)化／114
6.2.2 Item-Based CF詳解及優(yōu)化／115
6.2.3 融合Match中協(xié)同過濾思想的深度排序模型／116
6.3 基于模型的推薦算法／117
6.4 基于流行度的推薦算法／118
6.5 混合算法／119
6.6 基于圖的模型／120
6.6.1 用戶行為數(shù)據(jù)的二分圖表示／120
6.6.2 基于圖的推薦算法／121
6.7 基于社交網(wǎng)絡的推薦／121
6.7.1 基于鄰域的社會化推薦算法／121
6.7.2 基于圖的社會化推薦算法／122
6.8 Slope-one推薦算法／122
6.9 基于DNN的推薦算法介紹／123
6.10 基于TF實現(xiàn)稀疏自編碼和在推薦中的應用／124
6.11 聯(lián)邦推薦算法及應用／127
第7章推薦系統(tǒng)冷啟動及召回方法／131
7.1 冷啟動問題簡介／131
7.2 選擇合適的物品啟動用戶的興趣／131
7.3 利用物品的內(nèi)容信息／132
7.4 Multi-View DNN模型解決用戶冷啟動／132
第4部分推薦系統(tǒng)強化篇
第8章基于上下文的推薦／134
8.1 基于時間特征的推薦／134
8.1.1 時間效應介紹／134
8.1.2 推薦系統(tǒng)的實時性／135
8.1.3 協(xié)同過濾中的時間因子／135
8.2 實例：增加時間衰減函數(shù)的協(xié)同過濾算法／136
8.2.1 在UserCF算法中增加時間衰減函數(shù)／136
8.2.2 在ItemCF算法中增加時間衰減函數(shù)／137
第9章文本處理／139
9.1 Word2Vec／139
9.1.1 Word2Vec簡介／139
9.1.2 詞向量／141
9.1.3 分層優(yōu)化語言模型／147
9.1.4 連續(xù)詞袋模型／147
9.2 fastText／150
9.2.1 模型架構(gòu)／150
9.2.2 層次Softmax／151
9.2.3 N-Gram子詞特征／151
9.2.4 fastText和Word2Vec的區(qū)別／152
9.2.5 使用fastText分類／152
9.3 Gensim／154
9.3.1 Gensim基本概念／154
9.3.2 Gensim的安裝及簡單使用／154
9.3.3 主題向量的轉(zhuǎn)化：TF-IDF（詞頻逆文檔頻率）／156
9.3