内容简介
本书从系统视角出发,阐述如何利用技术手段搭建企业级推荐系统,内容包括认知篇、数据篇、召回篇、排序篇、系统篇 5 个部分，覆盖企业级推荐系统建设的核心要点。本书知识体系清晰，从基础知识切入，逐步深入，先后涉及推荐系统的经典技术、主流技术和前沿技术。本书通过“理论+案例+代码示例+心得体会”的方式阐述、归纳和总结推荐系统的知识，帮助读者理解推荐系统，掌握技能，建立系统思维。
本书适合对推荐系统感兴趣的初学者、从事数据挖掘/信息推荐相关工作的研发工程师、产品经理、架构师，以及相关专业学生和教师阅读。
展开全文
- 第1 部分 认知篇
- 第1章认识推荐系统
- 1.1 推荐与推荐系统
- 1.2 生活中的推荐系统
- 1.3 推荐系统的特点与价值
- 1.4 推荐服务
- 1.5 个性化推荐策略
- 1.5.1 U2Tag2I 策略
- 1.5.2 U2U2I 策略
- 1.5.3 U2I2I 策略
- 1.5.4 U2I 策略
- 1.6 本章小结
- 第2章推荐系统技术实现
- 2.1 工作原理
- 2.2 业务流程
- 2.3 业务功能模块
- 2.3.1 数据采集
- 2.3.2 特征工程
- 2.3.3 推荐算法
- 2.3.4 推荐服务
- 2.3.5 效能评价
- 2.4 推荐系统开发
- 2.5 本章小结
- 第2 部分 数据篇
- 第3章数据提取与特征向量
- 3.1 特征标签构建流程
- 3.2 特征标签构建方法
- 3.3 数据提取
- 3.4 数据处理
- 3.4.1 数据统计
- 3.4.2 数据标准化
- 3.4.3 数据离散化
- 3.5 特征编码
- 3.5.1 类别数据
- 3.5.2 时间数据
- 3.5.3 位置数据
- 3.5.4 文本数据
- 3.6 本章小结
- 第4章构建个性化特征标签
- 4.1 喜欢度——衡量用户感兴趣的程度
- 4.2 新闻特征标签
- 4.2.1 基本特征
- 4.2.2 类别特征
- 4.2.3 内容特征
- 4.2.4 趋势特征
- 4.2.5 新闻特征向量
- 4.3 用户特征标签
- 4.3.1 基本特征
- 4.3.2 位置特征
- 4.3.3 兴趣偏好特征
- 4.3.4 行为特征
- 4.3.5 价值特征
- 4.3.6 用户特征向量
- 4.4 特征相似度计算
- 4.4.1 欧几里得距离
- 4.4.2 曼哈顿距离
- 4.4.3 闵可夫斯基距离
- 4.4.4 马氏距离
- 4.4.5 余弦相似度
- 4.4.6 皮尔逊相关系数
- 4.4.7 杰卡德相关系数
- 4.4.8 代码示例
- 4.5 本章小结
- 第5章交叉组合构建新特征
- 5.1 特征组合
- 5.1.1 特征拼接
- 5.1.2 笛卡儿构建
- 5.1.3 线性组合
- 5.1.4 多项式特征
- 5.1.5 代码示例
- 5.2 特征选择
- 5.2.1 方差选择
- 5.2.2 相关选择
- 5.2.3 卡方检验
- 5.2.4 主成分分析
- 5.2.5 树模型选择
- 5.2.6 代码示例
- 5.3 本章小结
- 第3 部分 召回篇
- 第6章机器学习模型
- 6.1 机器学习的定义
- 6.1.1 有监督学习
- 6.1.2 无监督学习
- 6.2 数据集
- 6.2.1 常用公开数据集
- 6.2.2 在线构建数据集
- 6.2.3 数据集划分
- 6.2.4 生成训练集
- 6.3 模型训练
- 6.4 模型保存
- 6.5 模型评价
- 6.5.1 分类模型评价
- 6.5.2 回归模型评价
- 6.5.3 代码示例
- 6.6 模型上线
- 6.7 本章小结
- 第7章基于新闻热度的推荐召回
- 7.1 新闻热度
- 7.2 热门推荐算法
- 7.3 代码示例
- 7.4 本章小结
- 第8章基于内容的推荐召回
- 8.1 商品内容
- 8.2 KNN 算法模型
- 8.2.1 KNN 发现
- 8.2.2 KNN 算法改进
- 8.3 代码示例
- 8.4 本章小结
- 第9章基于标签的推荐召回
- 9.1 认识标签
- 9.2 标签推荐算法
- 9.3 升级标签推荐算法
- 9.4 代码示例
- 9.5 本章小结
- 第10章协同过滤推荐召回
- 10.1 UserCF 算法
- 10.1.1 算法原理
- 10.1.2 代码示例
- 10.2 ItemCF 算法
- 10.2.1 算法原理
- 10.2.2 代码示例
- 10.3 本章小结
- 第11章基于矩阵分解的推荐召回
- 11.1 数学知识
- 11.2 SVD 推荐算法
- 11.3 代码示例
- 11.4 本章小结
- 第12章基于LFM的推荐召回
- 12.1 LFM 概述
- 12.2 LFM 推荐算法
- 12.3 代码示例
- 12.4 本章小结
- 第13章多路召回融合策略
- 13.1 多路召回策略
- 13.2 融合策略
- 13.2.1 顺序融合
- 13.2.2 平均加权融合
- 13.2.3 加权融合
- 13.2.4 动态加权融合
- 13.3 代码示例
- 13.4 本章小结
- 第4 部分 排序篇
- 第14章线性模型排序算法
- 14.1 回归模型
- 14.2 线性回归模型
- 14.3 逻辑回归模型
- 14.3.1 算法模型
- 14.3.2 模型参数估计
- 14.3.3 代码示例
- 14.4 本章小结
- 第15章LR-GBDT模型排序算法
- 15.1 CART 决策树
- 15.2 集成学习模型
- 15.2.1 Bagging 算法
- 15.2.2 Boosting 算法
- 15.2.3 Stacking 算法
- 15.3 GBDT 模型
- 15.4 LR-GBDT 模型
- 15.4.1 模型算法推导
- 15.4.2 代码示例
- 15.5 本章小结
- 第16章深度学习模型排序算法
- 16.1 神经元
- 16.2 ANN 模型
- 16.3 模型训练
- 16.3.1 正向传递
- 16.3.2 反向传递
- 16.4 模型优化
- 16.4.1 梯度优化算法
- 16.4.2 Batch 归一化
- 16.4.3 正则化
- 16.5 DNN 模型
- 16.5.1 模型构建
- 16.5.2 代码示例
- 16.6 Wide&Deep 模型
- 16.6.1 Wide 部分
- 16.6.2 Deep 部分
- 16.6.3 联合训练
- 16.6.4 Wide&Deep 模型案例
- 16.7 本章小结
- 第5 部分 系统篇
- 第17章推荐服务生成与管理
- 17.1 推荐系统的Web 服务
- 17.2 推荐服务的请求与响应
- 17.2.1 HTTP
- 17.2.2 REST 编程风格
- 17.2.3 基于Django 开发REST 风格API
- 17.2.4 基于Spring MVC 开发REST 风格API
- 17.3 生成推荐结果
- 17.3.1 离线生成
- 17.3.2 在线生成
- 17.3.3 在线+离线融合生成
- 17.3.4 代码示例
- 17.4 生成方案对比
- 17.5 本章小结
- 第18章推荐系统效能评价
- 18.1 推荐系统评价
- 18.2 用户调研
- 18.3 离线测试
- 18.3.1 离线测试方法
- 18.3.2 离线测试指标
- 18.4 在线测试
- 18.4.1 AB 测试
- 18.4.2 推荐系统的AB 测试实验
- 18.4.3 在线测试指标
- 18.5 本章小结
- 第19章推荐系统架构设计
- 19.1 系统架构概述
- 19.2 系统边界
- 19.3 系统总体架构
- 19.4 依赖的第三方环境
- 19.4.1 大数据计算平台
- 19.4.2 机器学习平台
- 19.4.3 存储平台
- 19.4.4 数据查询检索平台
- 19.4.5 Web 系统开发框架
- 19.5 系统技术架构
- 19.5.1 数据流
- 19.5.2 离线层计算
- 19.5.3 近线层计算
- 19.5.4 在线层计算
- 19.5.5 技术架构对比
- 19.6 系统部署架构
- 19.7 系统建设步骤
- 19.8 本章小结
- 致谢
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2024
作者：编著
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《智能推荐算法与系统构建实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2024
作者：编著
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《智能推荐算法与系统构建实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
智能推荐算法与系统构建实践
免费读 (VIP)