电子书
内容简介
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
章节目录
- 第1 章推荐系统简介
- 技能目标
- 本章任务
- 任务1.1 了解推荐系统的发展历史
- 任务1.2 掌握推荐系统的核心要素
- 1.2.1 用户
- 1.2.2 物品和内容
- 1.2.3 事件
- 1.2.4 语境
- 任务1.3 掌握推荐系统的基本构成
- 1.3.1 召回模块
- 1.3.2 排序模块
- 1.3.3 过滤模块
- 任务1.4 了解推荐系统的新发展
- 1.4.1 基于会话的推荐系统
- 1.4.2 强化学习与推荐系统
- 任务1.5 认清推荐系统的发展方向
- 本章小结
- 本章习题
- 第2 章搭建实验平台
- 技能目标
- 本章任务
- 任务2.1 安装和配置Anaconda
- 2.1.1 下载并安装Anaconda
- 2.1.2 新建环境
- 2.1.3 管理环境
- 2.1.4 添加国内的安装源
- 2.1.5 安装scikit-surprise 软件包
- 2.1.6 安装其他软件包
- 任务2.2 获取实验数据集MovieLens
- 2.2.1 下载数据集
- 2.2.2 检查文件内容
- 2.2.3 分析评分数据
- 任务2.3 安装集成开发环境PyCharm
- 2.3.1 下载PyCharm
- 2.3.2 创建项目Recommender
- 2.3.3 创建测试文件
- 任务2.4 测试集成开发环境Spyder
- 任务2.5 测试Jupyter Notebook
- 2.5.1 安装并启动Jupyter Notebook
- 2.5.2 设置根目录
- 2.5.3 Jupyter Notebook 基本用法
- 2.5.4 运行测试文件
- 本章小结
- 本章习题
- 第3 章推荐系统的评测
- 任务3.1 学习用户成长飞轮模型
- 任务3.2 掌握推荐系统的评测方法
- 3.2.1 离线测试
- 3.2.2 用户测试
- 3.2.3 线上测试
- 任务3.3 掌握推荐系统的评测指标
- 3.3.1 预测准确性
- 3.3.2 覆盖率
- 3.3.3 多样性
- 3.3.4 惊喜度
- 3.3.5 新颖度
- 3.3.6 实时性
- 3.3.7 健壮性
- 3.3.8 商业目标
- 3.3.9 小结
- 任务3.4 实际评测推荐系统
- 3.4.1 离线测试
- 3.4.2 线上测试
- 本章小结
- 本章习题
- 第4 章基于内容的召回
- 技能目标
- 本章任务
- 任务4.1 掌握物品特征抽取的基本方法
- 4.1.1 抽取基本特征
- 4.1.2 抽取文本特征
- 4.1.3 抽取图像特征
- 任务4.2 掌握相似度的衡量方法
- 4.2.1 曼哈顿距离
- 4.2.2 欧氏距离
- 4.2.3 余弦相似度
- 任务4.3 实际开发一款基于内容召回的推荐系统
- 4.3.1 准备电影特征
- 4.3.2 计算电影间的相似度
- 4.3.3 预测用户评分
- 4.3.4 生成头部推荐
- 任务4.4 掌握横向评测框架的开发和使用方法
- 4.4.1 自定义预测算法
- 4.4.2 比较控制器
- 4.4.3 评测内容召回推荐算法
- 任务4.5 理解基于内容召回的优点和缺点
- 4.5.1 内容召回的优点
- 4.5.2 内容召回的缺点
- 本章小结
- 本章习题
- 第5 章基于协同过滤的召回
- 技能目标
- 本章任务
- 任务5.1 掌握协同过滤的基本思想和主要分类
- 任务5.2 掌握协同过滤中相似性的衡量方法
- 5.2.1 行为数据的特点
- 5.2.2 相似性的衡量
- 任务5.3 实际开发一款基于用户的协同过滤推荐系统
- 5.3.1 创建用户评分矩阵
- 5.3.2 创建用户相似度矩阵
- 5.3.3 寻找相似用户
- 5.3.4 根据相似用户的喜好给出推荐
- 5.3.5 排序并过滤推荐电影列表（基于用户的协同过滤）
- 5.3.6 运行项目
- 任务5.4 实际开发一款基于物品的协同过滤推荐系统
- 5.4.1 创建电影评分矩阵
- 5.4.2 创建电影相似度矩阵
- 5.4.3 获取当前用户喜好
- 5.4.4 根据用户喜好给出推荐
- 5.4.5 排序并过滤推荐电影列表（基于电影的协同过滤）
- 5.4.6 运行项目
- 任务5.5 实际评测协同过滤与评分预测融合模型
- 5.5.1 基于用户的K 最近邻推荐
- 5.5.2 基于物品的K 最近邻推荐
- 5.5.3 评测K 最近邻推荐算法
- 本章小结
- 本章习题
- 第6 章基于深度学习的召回
- 技能目标
- 本章任务
- 任务6.1 掌握并实际评测矩阵分解算法
- 任务6.2 掌握并实际评测受限玻尔兹曼机算法
- 任务6.3 掌握并实际评测自动编码机算法
- 任务6.4 掌握YouTube 基于深度学习的召回模型
- 任务6.5 了解Netflix 的推荐模型
- 本章小结
- 本章习题
- 第7 章经典排序模型
- 技能目标
- 本章任务
- 任务7.1 下载并探索一个排序用数据集
- 任务7.2 掌握并实际评测逻辑回归排序算法
- 7.2.1 逻辑回归的基本原理
- 7.2.2 逻辑回归示例代码
- 任务7.3 掌握并实际评测梯度提升决策树和逻辑回归融合模型
- 7.3.1 梯度提升决策树的工作原理
- 7.3.2 梯度提升决策树与逻辑回归融合模型
- 7.3.3 梯度提升决策树和逻辑回归融合模型的示例代码
- 任务7.4 掌握并实际评测贝叶斯个性化排序算法
- 7.4.1 贝叶斯法则
- 7.4.2 贝叶斯个性化排序算法原理
- 7.4.3 贝叶斯个性化排序示例代码
- 本章小结
- 本章习题
- 第8 章基于深度学习的排序
- 技能目标
- 本章任务
- 任务8.1 掌握因子分解机的基本原理
- 任务8.2 掌握广度和深度融合模型的基本原理
- 任务8.3 掌握YouTube 深度学习排序模型的基本原理
- 本章小结
- 本章习题
- 第9 章基于会话的推荐Ø
- 技能目标
- 本章任务
- 任务9.1 了解基于会话的推荐系统的发展历史
- 任务9.2 掌握循环神经网络在推荐系统中的应用
- 9.2.1 基于门控循环单元的推荐系统
- 9.2.2 多会话迷你批处理
- 9.2.3 批处理中的负采样
- 9.2.4 排序损失函数的选择
- 9.2.5 实验过程
- 任务9.3 学习将语境信息融入循环神经网络推荐系统
- 9.3.1 语境的重要性
- 9.3.2 语境的融入方法
- 9.3.3 融合语境的循环神经网络模型
- 9.3.4 实验过程
- 本章小结
- 本章习题
- 第10 章基于强化学习的推荐
- 技能目标
- 本章任务
- 任务10.1 了解在推荐系统中应用强化学习的背景
- 任务10.2 了解强化学习的技术基础
- 10.2.1 情境描述
- 10.2.2 策略学习
- 10.2.3 用户长期参与度
- 任务10.3 深入研究“探索与开采并举”的强化学习推荐系统
- 10.3.1 提升多样性的强化学习推荐系统
- 10.3.2 实验过程
- 10.3.3 实验结果
- 本章小结
- 本章习题
- 第11 章工业级推荐系统
- 技能目标
- 本章任务
- 任务11.1 了解深度规模化稀疏张量网络引擎
- 任务11.2 掌握DSSTNE 深度学习框架的使用方法
- 11.2.1 转换数据
- 11.2.2 训练阶段
- 11.2.3 预测阶段
- 任务11.3 了解工业级推荐系统的架构方法
- 11.3.1 系统架构
- 11.3.2 并行化
- 11.3.3 结束语
- 本章小结
- 本章习题
展开全部
机器学习实战是2021年由人民邮电出版社出版,作者编著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《机器学习实战》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。
