推薦系統(tǒng)實(shí)戰(zhàn)寶典

定　價(jià)：￥99.00

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

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111713531	出版時(shí)間：	2022-09-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《推薦系統(tǒng)實(shí)戰(zhàn)寶典》主要圍繞推薦系統(tǒng)進(jìn)行講解，全面介紹了掌握推薦系統(tǒng)技術(shù)所需要學(xué)習(xí)的算法及步驟。書(shū)中描述了基于點(diǎn)擊率評(píng)估、RBM的推薦，基于標(biāo)簽的推薦，基于用戶(hù)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(yǔ)言處理或者矩陣分解的推薦，包括算法原理的介紹，對(duì)于每一種推薦方式也做了細(xì)粒度的分析及場(chǎng)景化的應(yīng)用。還分享了作者在實(shí)際應(yīng)用中的解決方案及擴(kuò)展思路。除此之外，本書(shū)還會(huì)涉及一些基礎(chǔ)算法及數(shù)學(xué)知識(shí)，并且包括對(duì)于推薦算法的一些模型評(píng)估以及校驗(yàn)的描述。閱讀本書(shū)可以幫助讀者學(xué)習(xí)基礎(chǔ)算法和推薦算法的原理及實(shí)際應(yīng)用，同時(shí)還能學(xué)習(xí)到推薦系統(tǒng)開(kāi)發(fā)的設(shè)計(jì)思想、設(shè)計(jì)模式、開(kāi)發(fā)流程等。這些對(duì)于讀者全面提高自己的推薦系統(tǒng)開(kāi)發(fā)水平有很大的幫助。《推薦系統(tǒng)實(shí)戰(zhàn)寶典》為讀者提供了全部案例源代碼下載和超過(guò)1100分鐘的高清學(xué)習(xí)視頻，讀者可直接掃描二維碼觀看。《推薦系統(tǒng)實(shí)戰(zhàn)寶典》適合從事推薦系統(tǒng)相關(guān)領(lǐng)域研發(fā)的人員、高年級(jí)本科生或研究生、熱衷于推薦系統(tǒng)開(kāi)發(fā)的讀者閱讀。

作者簡(jiǎn)介

　　1. 呂倩倩，女，2018年畢業(yè)于沈陽(yáng)航空航天大學(xué)軟件工程專(zhuān)業(yè)，獲工學(xué)學(xué)士學(xué)位。原商品交易所大數(shù)據(jù)開(kāi)發(fā)工程師，現(xiàn)任花旗銀行大數(shù)據(jù)開(kāi)發(fā)工程師。2015年獲得ACM-ICPC大賽三等獎(jiǎng)；2016年獲得美國(guó)數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng)、亞太數(shù)學(xué)建模二等獎(jiǎng)，并多次獲得全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng)、二等獎(jiǎng)；2018年獲得阿里云ACA認(rèn)證證書(shū)。2. 陳欣，女，華南農(nóng)業(yè)大學(xué)電子工程學(xué)院/人工智能學(xué)院副教授，碩士研究生導(dǎo)師，華南農(nóng)業(yè)大學(xué)高層次引進(jìn)人才。主持多項(xiàng)國(guó)家自然科學(xué)基金、廣東省自然科學(xué)基金項(xiàng)目，在國(guó)內(nèi)外學(xué)術(shù)期刊上發(fā)表論文20余篇，在步態(tài)識(shí)別方面的研究成果被央視專(zhuān)題報(bào)道，圍繞該成果錄制的《極客出發(fā)》節(jié)目在央視黃金時(shí)段播出。

圖書(shū)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(yīng)用／9
1.5.1 電影和視頻網(wǎng)站／9
1.5.2 個(gè)性化音樂(lè)電臺(tái)／10
1.5.3 個(gè)性化廣告及搜索廣告／10
1.5.4 多業(yè)務(wù)融合推薦策略實(shí)踐與思考／11
1.6 推薦系統(tǒng)評(píng)測(cè)／11
1.6.1 推薦系統(tǒng)實(shí)驗(yàn)方法／12
1.6.2 評(píng)測(cè)指標(biāo)／13
1.6.3 評(píng)測(cè)維度／14
1.7 推薦系統(tǒng)知識(shí)儲(chǔ)備／14
第2部分推薦系統(tǒng)基礎(chǔ)篇
第2章機(jī)器學(xué)習(xí)準(zhǔn)備工作／16
2.1 機(jī)器學(xué)習(xí)緒論／18
2.1.1 數(shù)據(jù)積累／18
2.1.2 特征（過(guò)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(xué)基礎(chǔ)知識(shí)／23
2.2.1 微積分／23
2.2.2 統(tǒng)計(jì)學(xué)／29
2.2.3 線性代數(shù)／35
2.2.4 信息論基礎(chǔ)／36
2.2.5 凸優(yōu)化／37
2.3 Python編程／39
第3章機(jī)器學(xué)習(xí)基礎(chǔ)——讓推薦系統(tǒng)更懂你／49
3.1 貝葉斯分類(lèi)器／49
3.1.1 貝葉斯決策論／53
3.1.2 大似然估計(jì)／57
3.1.3 EM算法／59
3.1.4 垃圾郵件過(guò)濾實(shí)戰(zhàn)／62
3.2 決策樹(shù)／65
3.3 支持向量機(jī)（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(jiǎn)介／79
3.7.2 Spark MLlib矩陣計(jì)算／80
3.7.3 Spark MLlib實(shí)現(xiàn)分類(lèi)算法／81
3.7.4 Spark MLlib實(shí)現(xiàn)回歸算法／81
3.7.5 Spark MLlib實(shí)現(xiàn)聚類(lèi)算法／82
3.8 聚類(lèi)任務(wù)／82
3.8.1 k均值聚類(lèi)算法／82
3.8.2 高斯混合聚類(lèi)／85
第3部分推薦系統(tǒng)進(jìn)階篇
第4章基于點(diǎn)擊率預(yù)估、RBM的推薦／94
4.1 傳統(tǒng)推薦算法的局限和應(yīng)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(yīng)用／95
4.1.3 點(diǎn)擊率預(yù)估在推薦系統(tǒng)中的應(yīng)用／95
4.2 集成學(xué)習(xí)（Ensemble Learning）／95
4.2.1 GBDT／96
4.2.2 XgBoost／97
4.2.3 Bagging與隨機(jī)森林／98
4.3 實(shí)例：基于RBM的推薦算法／102
第5章基于標(biāo)簽的推薦／104
5.1 基于標(biāo)簽系統(tǒng)的應(yīng)用／104
5.2 數(shù)據(jù)標(biāo)注與關(guān)鍵詞提?。?04
5.2.1 推薦系統(tǒng)中的數(shù)據(jù)標(biāo)注／104
5.2.2 推薦系統(tǒng)中的關(guān)鍵詞提?。?05
5.2.3 標(biāo)簽的分類(lèi)／106
5.3 基于標(biāo)簽的推薦系統(tǒng)／106
5.3.1 標(biāo)簽評(píng)分算法／106
5.3.2 標(biāo)簽評(píng)分算法改進(jìn)／107
5.3.3 標(biāo)簽基因／107
5.3.4 用戶(hù)興趣建模／107
5.4 實(shí)例：使用標(biāo)簽推薦算法實(shí)現(xiàn)藝術(shù)家的推薦／108
5.4.1 了解實(shí)現(xiàn)思路／108
5.4.2 準(zhǔn)備數(shù)據(jù)／108
5.4.3 選擇算法／109
5.4.4 模型訓(xùn)練／109
5.4.5 效果評(píng)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(hù)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(guò)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(hù)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(luò)的推薦／121
6.7.1 基于鄰域的社會(huì)化推薦算法／121
6.7.2 基于圖的社會(huì)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(shí)現(xiàn)稀疏自編碼和在推薦中的應(yīng)用／124
6.11 聯(lián)邦推薦算法及應(yīng)用／127
第7章推薦系統(tǒng)冷啟動(dòng)及召回方法／131
7.1 冷啟動(dòng)問(wèn)題簡(jiǎn)介／131
7.2 選擇合適的物品啟動(dòng)用戶(hù)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(hù)冷啟動(dòng)／132
第4部分推薦系統(tǒng)強(qiáng)化篇
第8章基于上下文的推薦／134
8.1 基于時(shí)間特征的推薦／134
8.1.1 時(shí)間效應(yīng)介紹／134
8.1.2 推薦系統(tǒng)的實(shí)時(shí)性／135
8.1.3 協(xié)同過(guò)濾中的時(shí)間因子／135
8.2 實(shí)例：增加時(shí)間衰減函數(shù)的協(xié)同過(guò)濾算法／136
8.2.1 在UserCF算法中增加時(shí)間衰減函數(shù)／136
8.2.2 在ItemCF算法中增加時(shí)間衰減函數(shù)／137
第9章文本處理／139
9.1 Word2Vec／139
9.1.1 Word2Vec簡(jiǎn)介／139
9.1.2 詞向量／141
9.1.3 分層優(yōu)化語(yǔ)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(lèi)／152
9.3 Gensim／154
9.3.1 Gensim基本概念／154
9.3.2 Gensim的安裝及簡(jiǎn)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