×
暂无评论
图文详情
  • ISBN:9787111713531
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:269
  • 出版时间:2022-09-01
  • 条形码:9787111713531 ; 978-7-111-71353-1

本书特色

适读人群 :从事推荐系统相关领域研发的人员、高年级本科生或研究生、热衷于推荐系统开发的读者1. 内容实用:以推荐系统开发工程师的视角讲解算法知识和实操流程,同时包含了推荐算法的全新思想(如融合Match中协同过滤思想的深度排序模型)。 2. 资源丰富:附赠113段、超过1100分钟的高清视频教程和全部案例的源代码。

内容简介

《推荐系统实战宝典》主要围绕推荐系统进行讲解,全面介绍了掌握推荐系统技术所需要学习的算法及步骤。书中描述了基于点击率评估、RBM的推荐,基于标签的推荐,基于用户行为、内容、模型、流行度、邻域、图的推荐,以及基于上下文的推荐,还有使用自然语言处理或者矩阵分解的推荐,包括算法原理的介绍,对于每一种推荐方式也做了细粒度的分析及场景化的应用。还分享了作者在实际应用中的解决方案及扩展思路。除此之外,本书还会涉及一些基础算法及数学知识,并且包括对于推荐算法的一些模型评估以及校验的描述。阅读本书可以帮助读者学习基础算法和推荐算法的原理及实际应用,同时还能学习到推荐系统开发的设计思想、设计模式、开发流程等。这些对于读者全面提高自己的推荐系统开发水平有很大的帮助。 《推荐系统实战宝典》为读者提供了全部案例源代码下载和超过1100分钟的高清学习视频,读者可直接扫描二维码观看。 《推荐系统实战宝典》适合从事推荐系统相关领域研发的人员、高年级本科生或研究生、热衷于推荐系统开发的读者阅读。

目录

第1部分 推荐系统介绍篇
第1章 推荐系统概述/2
1.1 什么是推荐系统/2
1.2 推荐系统的架构/3
1.3 推荐系统架构治理/4
1.4 推荐引擎的架构/5
1.5 推荐系统的应用/9
1.5.1 电影和视频网站/9
1.5.2 个性化音乐电台/10
1.5.3 个性化广告及搜索广告/10
1.5.4 多业务融合推荐策略实践与思考/11
1.6 推荐系统评测/11
1.6.1 推荐系统实验方法/12
1.6.2 评测指标/13
1.6.3 评测维度/14
1.7 推荐系统知识储备/14
第2部分 推荐系统基础篇
第2章 机器学习准备工作/16
2.1 机器学习绪论/18
2.1.1 数据积累/18
2.1.2 特征(过滤法、包装法、嵌入法)/18
2.1.3 模型的不可解释性/22
2.2 数学基础知识/23
2.2.1 微积分/23
2.2.2 统计学/29
2.2.3 线性代数/35
2.2.4 信息论基础/36
2.2.5 凸优化/37
2.3 Python编程/39
第3章 机器学习基础——让推荐系统更懂你/49
3.1 贝叶斯分类器/49
3.1.1 贝叶斯决策论/53
3.1.2 大似然估计/57
3.1.3 EM算法/59
3.1.4 垃圾邮件过滤实战/62
3.2 决策树/65
3.3 支持向量机(SVM)/70
3.3.1 SVM介绍/70
3.3.2 半监督SVM/71
3.4 KNN算法/71
3.5 线性回归/73
3.6 逻辑回归/77
3.7 Spark MLlib/79
3.7.1 Spark MLlib简介/79
3.7.2 Spark MLlib矩阵计算/80
3.7.3 Spark MLlib实现分类算法/81
3.7.4 Spark MLlib实现回归算法/81
3.7.5 Spark MLlib实现聚类算法/82
3.8 聚类任务/82
3.8.1 k均值聚类算法/82
3.8.2 高斯混合聚类/85
第3部分 推荐系统进阶篇
第4章 基于点击率预估、RBM的推荐/94
4.1 传统推荐算法的局限和应用/94
4.1.1 传统推荐算法的局限/94
4.1.2 传统推荐算法的应用/95
4.1.3 点击率预估在推荐系统中的应用/95
4.2 集成学习(Ensemble Learning)/95
4.2.1 GBDT/96
4.2.2 XgBoost/97
4.2.3 Bagging与随机森林/98
4.3 实例:基于RBM的推荐算法/102
第5章 基于标签的推荐/104
5.1 基于标签系统的应用/104
5.2 数据标注与关键词提取/104
5.2.1 推荐系统中的数据标注/104
5.2.2 推荐系统中的关键词提取/105
5.2.3 标签的分类/106
5.3 基于标签的推荐系统/106
5.3.1 标签评分算法/106
5.3.2 标签评分算法改进/107
5.3.3 标签基因/107
5.3.4 用户兴趣建模/107
5.4 实例:使用标签推荐算法实现艺术家的推荐/108
5.4.1 了解实现思路/108
5.4.2 准备数据/108
5.4.3 选择算法/109
5.4.4 模型训练/109
5.4.5 效果评估/110
第6章 推荐算法/112
6.1 基于内容的推荐算法/112
6.2 基于用户行为特征的推荐算法/113
6.2.1 User-Based CF详解及优化/114
6.2.2 Item-Based CF详解及优化/115
6.2.3 融合Match中协同过滤思想的深度排序模型/116
6.3 基于模型的推荐算法/117
6.4 基于流行度的推荐算法/118
6.5 混合算法/119
6.6 基于图的模型/120
6.6.1 用户行为数据的二分图表示/120
6.6.2 基于图的推荐算法/121
6.7 基于社交网络的推荐/121
6.7.1 基于邻域的社会化推荐算法/121
6.7.2 基于图的社会化推荐算法/122
6.8 Slope-one推荐算法/122
6.9 基于DNN的推荐算法介绍/123
6.10 基于TF实现稀疏自编码和在推荐中的应用/124
6.11 联邦推荐算法及应用/127
第7章 推荐系统冷启动及召回方法/131
7.1 冷启动问题简介/131
7.2 选择合适的物品启动用户的兴趣/131
7.3 利用物品的内容信息/132
7.4 Multi-View DNN模型解决用户冷启动/132
第4部分 推荐系统强化篇
第8章 基于上下文的推荐/134
8.1 基于时间特征的推荐/134
8.1.1 时间效应介绍/134
8.1.2 推荐系统的实时性/135
8.1.3 协同过滤中的时间因子/135
8.2 实例:增加时间衰减函数的协同过滤算法/136
8.2.1 在UserCF算法中增加时间衰减函数/136
8.2.2 在ItemCF算法中增加时间衰减函数/137
第9章 文本处理/139
9.1 Word2Vec/139
9.1.1 Word2Vec简介/139
9.1.2 词向量/141
9.1.3 分层优化语言模型/147
9.1.4 连续词袋模型/147
9.2 fastText/150
9.2.1 模型架构/150
9.2.2 层次Softmax/151
9.2.3 N-Gram子词特征/151
9.2.4 fastText和Word2Vec的区别/152
9.2.5 使用fastText分类/152
9.3 Gensim/154
9.3.1 Gensim基本概念/154
9.3.2 Gensim的安装及简单使用/154
9.3.3 主题向量的转化:TF-IDF(词频逆文档频率)/156
9.3
展开全部

作者简介

1. 吕倩倩,女,2018年毕业于沈阳航空航天大学软件工程专业,获工学学士学位。原商品交易所大数据开发工程师,现任花旗银行大数据开发工程师。2015年获得ACM-ICPC大赛三等奖;2016年获得美国数学建模竞赛一等奖、亚太数学建模二等奖,并多次获得全国大学生数学建模竞赛一等奖、二等奖;2018年获得阿里云ACA认证证书。 2. 陈欣,女,华南农业大学电子工程学院/人工智能学院副教授,硕士研究生导师,华南农业大学高层次引进人才。主持多项国家自然科学基金、广东省自然科学基金项目,在国内外学术期刊上发表论文20余篇,在步态识别方面的研究成果被央视专题报道,围绕该成果录制的《极客出发》节目在央视黄金时段播出。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航