推薦系統(tǒng)實戰(zhàn)寶典

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(wù)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(biāo)／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(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／23
2.2.1 微積分／23
2.2.2 統(tǒng)計學(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(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(wù)／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(jìn)階篇
第4章 基于點擊率預(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／106
5.3 基于標(biāo)簽的推薦系統(tǒng)／106
5.3.1 標(biāo)簽評分算法／106
5.3.2 標(biāo)簽評分算法改進(jìn)／107
5.3.3 標(biāo)簽基因／107
5.3.4 用戶興趣建模／107
5.4 實例：使用標(biāo)簽推薦算法實現(xiàn)藝術(shù)家的推薦／108
5.4.1 了解實現(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(luò)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(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(qiáng)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(yīng)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