推薦系統(tǒng)核心技術(shù)與實踐

第1章  推薦系統(tǒng)基礎知識介紹 1
1.1  推薦系統(tǒng)簡介 2
1.1.1  推薦系統(tǒng)的應用領域 2
1.1.2  推薦系統(tǒng)的重要性 2
1.2  推薦系統(tǒng)和人工智能 3
1.2.1  機器學習 3
1.2.2  深度學習 4
1.2.3  推薦系統(tǒng)與人工智能的關系 4
1.3  推薦系統(tǒng)算法概覽 5
1.4  推薦系統(tǒng)面臨的挑戰(zhàn) 6
1.4.1  用戶隱私和數(shù)據(jù)安全問題 6
1.4.2  推薦算法的偏見和歧視 7
1.4.3  推薦算法面臨的社會影響和道德考量 8
第2章  基于內(nèi)容的推薦 9
2.1  文本特征提取 10
2.1.1  詞袋模型 10
2.1.2  n-gram模型 14
2.1.3  特征哈希 16
2.2  TF-IDF(詞頻-逆文檔頻率) 18
2.2.1  詞頻計算 19
2.2.2  逆文檔頻率計算 20
2.2.3  TF-IDF權(quán)重計算 22
2.3  詞嵌入 23
2.3.1  分布式表示方法 23
2.3.2  使用Word2Vec模型 24
2.3.3  使用GloVe模型 26
2.4  主題模型 26
2.4.1  潛在語義分析 27
2.4.2  隱含狄利克雷分布 28
2.4.3  主題模型的應用 29
2.5  文本分類和標簽提取 31
2.5.1  傳統(tǒng)機器學習 31
2.5.2  卷積神經(jīng)網(wǎng)絡 34
2.5.3  循環(huán)神經(jīng)網(wǎng)絡 45
2.6  文本情感分析 48
2.6.1  機器學習方法 48
2.6.2  深度學習方法 50
第3章  協(xié)同過濾推薦 57
3.1  協(xié)同過濾推薦介紹 58
3.2  基于用戶的協(xié)同過濾 58
3.2.1  基于用戶的協(xié)同過濾推薦算法的基本步驟 58
3.2.2  使用Python實現(xiàn)基于用戶的協(xié)同過濾推薦 59
3.3  基于物品的協(xié)同過濾 61
3.3.1  計算物品之間的相似度 61
3.3.2  協(xié)同過濾推薦實踐 62
3.4  基于模型的協(xié)同過濾 63
3.4.1  矩陣分解模型 64
3.4.2  基于圖的模型 66
3.5  混合型協(xié)同過濾 69
第4章  混合推薦 73
4.1  特征層面的混合推薦 74
4.1.1  特征層面混合推薦介紹 74
4.1.2  用戶特征融合 74
4.1.3  物品特征融合 76
4.2  模型層面的混合推薦 78
4.2.1  基于加權(quán)融合的模型組合 78
4.2.2  基于集成學習的模型組合 80
4.2.3  基于混合排序的模型組合 82
4.2.4  基于協(xié)同訓練的模型組合 86
4.3  策略層面的混合推薦 88
4.3.1  動態(tài)選擇推薦策略 88
4.3.2  上下文感知的推薦策略 91
第5章  基于標簽的推薦 101
5.1  標簽的獲取和處理 102
5.1.1  獲取用戶的標簽 102
5.1.2  獲取物品的標簽 104
5.1.3  標簽預處理和特征提取 106
5.2  標簽相似度計算 110
5.2.1  基于標簽頻次的相似度計算 110
5.2.2  基于標簽共現(xiàn)的相似度計算 112
5.2.3  基于標簽語義的相似度計算 118
5.3  基于標簽的推薦算法 119
5.3.1  基于用戶標簽的推薦算法 120
5.3.2  基于物品標簽的推薦算法 123
5.4  標簽推薦系統(tǒng)的評估和優(yōu)化 125
5.4.1  評估指標的選擇 125
5.4.2  優(yōu)化標簽推薦效果 126
第6章  基于知識圖譜的推薦 127
6.1  知識圖譜介紹 128
6.1.1  知識圖譜的定義和特點 128
6.1.2  知識圖譜的構(gòu)建方法 129
6.1.3  知識圖譜與個性化推薦的關系 129
6.2  知識表示和語義關聯(lián) 130
6.2.1  實體和屬性的表示 130
6.2.2  關系的表示和推理 132
6.2.3  語義關聯(lián)的計算和衡量 134
6.3  知識圖譜中的推薦算法 137
6.3.1  基于路徑的推薦算法 137
6.3.2  基于實體的推薦算法 139
6.3.3  基于關系的推薦算法 142
6.3.4  基于知識圖譜推理的推薦算法 146
第7章  基于隱語義模型的推薦 149
7.1  隱語義模型概述 150
7.1.1  隱語義模型介紹 150
7.1.2  隱語義模型在推薦系統(tǒng)中的應用 151
7.2  潛在語義索引 151
7.2.1  LSI的基本思想和實現(xiàn)步驟 151
7.2.2  使用Python實現(xiàn)潛在語義索引 152
7.3  潛在狄利克雷分配 155
7.3.1  實現(xiàn)LDA的基本步驟 155
7.3.2  使用庫Gensim構(gòu)建推薦系統(tǒng) 156
7.4  增強隱語義模型的信息來源 159
7.4.1  基于內(nèi)容信息的隱語義模型 159
7.4.2  時間和上下文信息的隱語義模型 161
7.4.3  社交網(wǎng)絡信息的隱語義模型 163
第8章  基于神經(jīng)網(wǎng)絡的推薦模型 167
8.1  深度推薦模型介紹 168
8.1.1  傳統(tǒng)推薦模型的局限性 168
8.1.2  深度學習在推薦系統(tǒng)中的應用 168
8.2  基于多層感知器的推薦模型 169
8.2.1  基于MLP推薦模型的流程 169
8.2.2  用戶和物品特征的編碼 170
8.3  基于卷積神經(jīng)網(wǎng)絡的推薦模型 172
8.3.1  卷積神經(jīng)網(wǎng)絡的用戶和物品特征的表示 172
8.3.2  卷積層和池化層的特征提取 173
8.4  基于循環(huán)神經(jīng)網(wǎng)絡的推薦模型 177
8.4.1  序列數(shù)據(jù)的建模 178
8.4.2  歷史行為序列的特征提取 182
8.5  基于自注意力機制的推薦模型 185
8.5.1  自注意力機制介紹 186
8.5.2  使用基于自注意力機制的推薦模型 186
8.6  基于強化學習的推薦模型 190
8.6.1  基于強化學習的推薦模型的構(gòu)成 190
8.6.2  Q-learning算法 191
8.6.3  深度Q網(wǎng)絡算法介紹 193
第9章  序列建模和注意力機制 203
9.1  序列建模 204
9.1.1  使用長短期記憶網(wǎng)絡建模 204
9.1.2  使用門控循環(huán)單元建模 210
9.2  注意力機制 213
9.2.1  注意力機制介紹 213
9.2.2  注意力機制在推薦系統(tǒng)中的作用 214
9.2.3  使用自注意力模型 215
9.3  使用Seq2Seq模型和注意力機制實現(xiàn)翻譯系統(tǒng) 219
9.3.1  Seq2Seq模型介紹 220
9.3.2  使用注意力機制改良Seq2Seq模型 221
9.3.3  準備數(shù)據(jù)集 222
9.3.4  數(shù)據(jù)預處理 222
9.3.5  實現(xiàn)Seq2Seq 模型 226
9.3.6  訓練模型 232
9.3.7  模型評估 237
9.3.8  訓練和評估 238
9.3.9  注意力的可視化 240
第10章  強化推薦學習 245
10.1  強化學習的基本概念 246
10.1.1  基本模型和原理 246
10.1.2  強化學習中的要素 247
10.1.3  網(wǎng)絡模型設計 247
10.1.4  強化學習和深度強化學習 248
10.2  強化學習算法 249
10.2.1  值迭代算法 249
10.2.2  蒙特卡洛方法 251
10.3  深度確定性策略梯度算法 253
10.3.1  DDPG算法的核心思想 和基本思路 253
10.3.2  使用DDPG算法實現(xiàn)推薦 系統(tǒng) 254
10.4  雙重深度Q網(wǎng)絡算法 257
10.4.1  雙重深度Q網(wǎng)絡介紹 257
10.4.2  基于雙重深度Q網(wǎng)絡的歌曲 推薦系統(tǒng) 257
10.5  PPO策略優(yōu)化算法 262
10.5.1  PPO策略優(yōu)化算法介紹 262
10.5.2  使用PPO策略優(yōu)化算法實現(xiàn) 推薦系統(tǒng) 263
10.6  TRPO算法 265
10.6.1  TRPO算法介紹 266
10.6.2  使用TRPO算法實現(xiàn)商品 推薦系統(tǒng) 266
10.7  A3C算法 269
10.7.1  A3C算法介紹 269
10.7.2  使用A3C算法訓練推薦 系統(tǒng) 269
第11章  電影推薦系統(tǒng) 273
11.1  系統(tǒng)介紹 274
11.1.1  背景介紹 274
11.1.2  推薦系統(tǒng)和搜索引擎 275
11.1.3  項目介紹 275
11.2  系統(tǒng)模塊 276
11.3  探索性數(shù)據(jù)分析 277
11.3.1  導入庫文件 277
11.3.2  數(shù)據(jù)預處理 278
11.3.3  數(shù)據(jù)可視化 282
11.4  推薦系統(tǒng) 296
11.4.1  混合推薦系統(tǒng) 297
11.4.2  深度學習推薦系統(tǒng) 303
第12章  動漫推薦系統(tǒng) 313
12.1  背景介紹 314
12.1.1  動漫發(fā)展現(xiàn)狀 314
12.1.2  動漫未來的發(fā)展趨勢 314
12.2  系統(tǒng)分析 315
12.2.1  需求分析 315
12.2.2  系統(tǒng)目標分析 315
12.2.3  系統(tǒng)功能分析 316
12.3  準備數(shù)據(jù)集 316
12.3.1  動漫信息數(shù)據(jù)集 317
12.3.2  評分信息數(shù)據(jù)集 317
12.3.3  導入數(shù)據(jù)集 317
12.4  數(shù)據(jù)分析 318
12.4.1  基礎數(shù)據(jù)探索方法 318
12.4.2  數(shù)據(jù)集摘要 321
12.4.3  深入挖掘 325
12.4.4  熱門動漫 327
12.4.5  統(tǒng)計動漫類別 328
12.4.6  總體動漫評價 331
12.4.7  基于評分的熱門動漫 334
12.4.8  按類別劃分的動漫評分 分布 335
12.4.9  動漫類型 343
12.4.10  最終數(shù)據(jù)預處理 345
12.5  推薦系統(tǒng) 346
12.5.1  協(xié)同過濾推薦系統(tǒng) 346
12.5.2  基于內(nèi)容的推薦系統(tǒng) 349
12.6  總結(jié) 352