鏈接：https://pan.baidu.com/s/1G1BIdmaskveGJd5uHeKbhA?pwd=by1w?

提取碼：by1w

本書將推薦系統(tǒng)的理論基礎(chǔ)與代碼實(shí)踐相結(jié)合，內(nèi)容涵蓋各類非個(gè)性化和個(gè)性化、經(jīng)典及先進(jìn)的推薦算法，以及工業(yè)界推薦系統(tǒng)的基本流程、步驟。本書可以作為各高校相關(guān)專業(yè)智能推薦系統(tǒng)課程教材，也可以作為技術(shù)人員的參考書籍。通過本書，讀者可以掌握推薦系統(tǒng)的基本概念、評價(jià)指標(biāo)，熟悉推薦系統(tǒng)在工業(yè)界應(yīng)用的具體過程，既可以了解基于傳統(tǒng)機(jī)器學(xué)習(xí)的推薦算法，也可以學(xué)習(xí)基于深度學(xué)習(xí)的前沿推薦算法，本書的最后一章帶領(lǐng)讀者熟悉推薦系統(tǒng)領(lǐng)域的關(guān)鍵問題和挑戰(zhàn)。

目錄

目錄

第1章推薦系統(tǒng)概述

1.1推薦系統(tǒng)的背景與價(jià)值

1.1.1推薦系統(tǒng)的背景

1.1.2典型的推薦系統(tǒng)應(yīng)用

1.2推薦系統(tǒng)是如何工作的

1.2.1推薦系統(tǒng)的基本任務(wù)

1.2.2推薦系統(tǒng)的工作過程

1.2.3推薦系統(tǒng)的原理

1.3推薦系統(tǒng)的歷史與分類

1.3.1推薦系統(tǒng)的發(fā)展歷史

1.3.2推薦算法的分類

1.4推薦系統(tǒng)評測

1.4.1推薦系統(tǒng)的評測方法

1.4.2推薦系統(tǒng)的評測指標(biāo)

參考文獻(xiàn)

第2章生產(chǎn)環(huán)境下的推薦系統(tǒng)

2.1推薦系統(tǒng)的業(yè)務(wù)流程

2.1.1推薦總體流程

2.1.2召回環(huán)節(jié)

2.1.3排序環(huán)節(jié)

2.1.4后處理調(diào)整

2.2推薦系統(tǒng)的主要業(yè)務(wù)模塊

2.2.1數(shù)據(jù)采集與處理模塊

2.2.2特征工程模塊

2.2.3推薦算法模塊

2.2.4用戶交互模塊

2.3推薦系統(tǒng)架構(gòu)設(shè)計(jì)

2.3.1總體業(yè)務(wù)架構(gòu)

2.3.2數(shù)據(jù)層

2.3.3算法層

2.3.4系統(tǒng)層

2.4線上系統(tǒng)的A/B測試

2.4.1前端接口

2.4.2數(shù)據(jù)讀取接口

2.4.3測試及評估接口

2.4.4監(jiān)控接口

參考文獻(xiàn)

第3章機(jī)器學(xué)習(xí)算法基礎(chǔ)

3.1機(jī)器學(xué)習(xí)算法概述

3.1.1機(jī)器學(xué)習(xí)算法基本過程

3.1.2機(jī)器學(xué)習(xí)算法的分類

3.2線性回歸算法

3.2.1線性回歸模型

3.2.2線性回歸模型的損失函數(shù)

3.2.3梯度下降求解線性回歸模型參數(shù)的最優(yōu)值

3.2.4線性回歸算法正則化

3.2.5實(shí)驗(yàn)

3.2.6線性回歸算法特點(diǎn)

3.3邏輯回歸算法

3.3.1邏輯回歸模型

3.3.2邏輯回歸損失函數(shù)

3.3.3梯度下降求解最優(yōu)值

3.3.4邏輯回歸算法的正則化

3.3.5實(shí)驗(yàn)

3.3.6邏輯回歸算法特點(diǎn)

3.4決策樹

3.4.1決策樹的結(jié)構(gòu)

3.4.2決策樹算法

3.4.3決策樹算法總結(jié)

3.4.4基于sklearn的決策樹實(shí)驗(yàn)

3.5樸素貝葉斯

3.5.1樸素貝葉斯相關(guān)的統(tǒng)計(jì)學(xué)知識(shí)

3.5.2樸素貝葉斯模型

3.5.3總結(jié)

3.5.4基于sklearn的NaiveBayes實(shí)驗(yàn)

3.6神經(jīng)網(wǎng)絡(luò)

3.6.1神經(jīng)元模型

3.6.2全連接神經(jīng)網(wǎng)絡(luò)

3.6.3卷積神經(jīng)網(wǎng)絡(luò)

3.6.4循環(huán)神經(jīng)網(wǎng)絡(luò)

3.6.5圖神經(jīng)網(wǎng)絡(luò)

3.6.6實(shí)驗(yàn)評估

參考文獻(xiàn)

第4章典型推薦算法

4.1推薦算法相關(guān)知識(shí)

4.1.1推薦算法的分類

4.1.2推薦系統(tǒng)中的隱式反饋、顯式反饋

4.1.3推薦系統(tǒng)中的損失函數(shù)

4.2非個(gè)性化推薦算法

4.2.1基于流行度的推薦方法

4.2.2基于關(guān)聯(lián)規(guī)則的推薦方法

4.3基于內(nèi)容的推薦

4.3.1基本思想和過程

4.3.2一個(gè)基于內(nèi)容推薦的示例

4.3.3基于標(biāo)簽的推薦

4.4基于統(tǒng)計(jì)（相似度）的方法

4.4.1基于用戶的協(xié)同過濾

4.4.2基于物品的協(xié)同過濾

4.5基于矩陣分解的個(gè)性化推薦

4.5.1Matrix Factorization算法（MF/SVD）

4.5.2BiasSVD算法

4.5.3SVD++算法

4.5.4WRMF和EALS算法

4.6基于物品的協(xié)同過濾

4.6.1背景簡介

4.6.2SLIM算法

4.6.3FISM算法

參考文獻(xiàn)

第5章點(diǎn)擊率預(yù)估算法

5.1推薦系統(tǒng)中的召回和排序過程

5.1.1為什么需要召回和排序環(huán)節(jié)

5.1.2召回、排序環(huán)節(jié)的典型方法

5.2點(diǎn)擊率預(yù)測簡介

5.3邏輯回歸模型

5.3.1背景

5.3.2基于LR模型的CTR預(yù)測流程

5.3.3實(shí)驗(yàn)

5.4因式分解機(jī)模型

5.4.1背景

5.4.2FM模型原理

5.4.3實(shí)驗(yàn)

5.5梯度提升樹模型

5.5.1背景

5.5.2模型原理

5.5.3實(shí)驗(yàn)

5.6梯度提升樹+邏輯回歸模型（GBDT+LR）

5.6.1背景

5.6.2模型原理

5.6.3實(shí)驗(yàn)

5.7基于深度學(xué)習(xí)的CTR模型

5.7.1模型的記憶能力和泛化能力

5.7.2Wide&Deep模型

5.7.3DeepFM模型

5.7.4xDeepFM模型

5.7.5實(shí)驗(yàn)

5.8本章小結(jié)

參考文獻(xiàn)

第6章基于深度學(xué)習(xí)的推薦算法

6.1為什么需要深度學(xué)習(xí)

6.1.1推薦算法應(yīng)用的挑戰(zhàn)

6.1.2深度學(xué)習(xí)的優(yōu)勢

6.2深度學(xué)習(xí)與推薦系統(tǒng)的分類

6.2.1表征學(xué)習(xí)

6.2.2交互建模

6.3基于深度學(xué)習(xí)的矩陣分解推薦算法DeepMF

6.3.1背景

6.3.2模型原理

6.3.3實(shí)驗(yàn)

6.3.4模型總結(jié)

6.4基于深度學(xué)習(xí)的協(xié)同過濾推薦算法NeuralCF

6.4.1背景

6.4.2模型原理

6.4.3實(shí)驗(yàn)

6.4.4模型總結(jié)

6.5基于深度學(xué)習(xí)的物品協(xié)同過濾算法DICF

6.5.1DICF模型結(jié)構(gòu)

6.5.2DICF模型優(yōu)化

6.5.3實(shí)驗(yàn)評估

6.5.4DICF模型總結(jié)

6.6基于GNN的協(xié)同過濾算法

6.6.1背景

6.6.2模型原理

6.6.3實(shí)驗(yàn)

6.6.4模型改進(jìn)

6.6.5模型總結(jié)

6.7基于GNN的混合推薦算法

6.7.1DiffNet模型

6.7.2AGCN模型

6.8本章小結(jié)

參考文獻(xiàn)

第7章一個(gè)簡易的推薦系統(tǒng)

7.1簡易推薦系統(tǒng)需求描述

7.1.1數(shù)據(jù)集準(zhǔn)備

7.1.2推薦模型準(zhǔn)備

7.1.3構(gòu)建在線推薦接口

7.2數(shù)據(jù)集處理

7.2.1用戶數(shù)據(jù)處理

7.2.2物品（電影）數(shù)據(jù)處理

7.2.3評分?jǐn)?shù)據(jù)處理

7.2.4構(gòu)建數(shù)據(jù)讀取器

7.3基于PaddlePaddle實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)推薦模型

7.3.1用戶特征向量構(gòu)造

7.3.2電影特征向量構(gòu)造

7.3.3模型訓(xùn)練和參數(shù)保存

7.4模擬在線電影推薦

第8章推薦系統(tǒng)中的問題與挑戰(zhàn)

8.1冷啟動(dòng)問題

8.1.1冷啟動(dòng)問題定義

8.1.2冷啟動(dòng)解決方法

8.2數(shù)據(jù)稀疏性問題

8.2.1數(shù)據(jù)稀疏問題定義

8.2.2數(shù)據(jù)稀疏問題解決方法

8.3推薦可解釋性問題

8.3.1可解釋問題定義

8.3.2推薦解釋方法

8.4大數(shù)據(jù)處理與增量計(jì)算問題

8.4.1大數(shù)據(jù)問題定義

8.4.2大數(shù)據(jù)問題解決方法

8.5數(shù)據(jù)偏差問題

8.5.1數(shù)據(jù)偏差問題定義

8.5.2緩解數(shù)據(jù)偏差的方法

8.6其他問題

8.6.1時(shí)效性問題

8.6.2多樣性問題

8.6.3用戶意圖檢測問題

參考文獻(xiàn)

查看全部↓

前言/序言

前言

回首剛剛開始動(dòng)意寫這本書的時(shí)候，當(dāng)時(shí)心里不是很有底，不確定能否如期完成交稿任務(wù)。經(jīng)過和我的學(xué)生團(tuán)隊(duì)多輪討論，確定書稿大綱和寫作計(jì)劃，互相監(jiān)督各種碰會(huì)，終于完成了書稿的文字和代碼，提交并通過了百度PaddleRec團(tuán)隊(duì)審核。

推薦系統(tǒng)是為解決當(dāng)前（移動(dòng)）互聯(lián)網(wǎng)背景下“信息過載”問題而誕生的一種智能應(yīng)用，通常以后臺(tái)服務(wù)的形式內(nèi)置于大型互聯(lián)網(wǎng)軟件中。以新聞資訊類移動(dòng)應(yīng)用軟件為例，當(dāng)前網(wǎng)民們每天可以接觸成千上萬條新聞，上到新發(fā)布的國家政策，下至各地日常的奇聞趣事，各式各樣的新聞也為用戶帶來了選擇困境問題，這便是“信息過載”。而智能推薦系統(tǒng)能夠在用戶閱讀新聞