推薦系統實戰寶典

《推薦系統實戰寶典》主要圍繞推薦系統進行講解，全面介紹了掌握推薦系統技術所需要學習的算法及步驟。
書中描述了基於點擊率評估、RBM的推薦，基於標籤的推薦，基於用戶行為、內容、模型、流行度、鄰域、圖的推薦，
以及基於上下文的推薦，還有使用自然語言處理或者矩陣分解的推薦，包括算法原理的介紹，
對於每一種推薦方式也做了細粒度的分析及場景化的應用。
還分享了作者在實際應用中的解決方案及擴展思路。
除此之外，本書還會涉及一些基礎算法及數學知識，並且包括對於推薦算法的一些模型評估以及校驗的描述。
閱讀本書可以幫助讀者學習基礎算法和推薦算法的原理及實際應用，
同時還能學習到推薦系統開發的設計思想、設計模式、開發流程等。這些對於讀者全面提高自己的推薦系統開發水平有很大的幫助。
《推薦系統實戰寶典》為讀者提供了全部案例源代碼下載和超過1100分鐘的高清學習視頻，
讀者可直接掃描二維碼觀看。
《推薦系統實戰寶典》適合從事推薦系統相關領域研發的人員、
高年級本科生或研究生、熱衷於推薦系統開發的讀者閱讀。

呂倩倩，女
2018年畢業於瀋陽航空航天大學軟件工程專業，獲工學學士學位。
原商品交易所大數據開發工程師，現任花旗銀行大數據開發工程師。 2015年獲得ACM-ICPC大賽三等獎；2016年獲得美國數學建模競賽一等獎、亞太數學建模二等獎，
並多次獲得全國大學生數學建模競賽一等獎、二等獎；2018年獲得阿里雲ACA認證證書。

陳欣，女
華南農業大學電子工程學院/人工智能學院副教授，碩士研究生導師，華南農業大學高層次引進人才。
主持多項 自然科學基金、廣東省自然科學基金項目，在 外學術期刊上發表論文20餘篇，
在步態識別方面的研究成果被央視專題報導，圍繞該成果錄製的《極客出發》節目在央視黃金時段播出。

第1部分推薦系統介紹篇
第1章推薦系統概述／2
1.1 什麼是推薦系統／2
1.2 推薦系統的架構／3
1.3 推薦系統架構治理／4
1.4 推薦引擎的架構／5
1.5 推薦系統的應用／9
1.5.1 電影和視頻網站／9
1.5.2 個性化音樂電台／10
1.5.3 個性化廣告及搜索廣告／10
1.5.4 多業務融合推薦策略實踐與思考／11
1.6 推薦系統評測／11
1.6.1 推薦系統實驗方法／12
1.6.2 評測指標／13
1.6.3 評測維度／14
1.7 推薦系統知識儲備／14
第2部分推薦系統基礎篇
第2章機器學習準備工作／16
2.1 機器學習緒論／18
2.1.1 數據積累／18
2.1.2 特徵（過濾法、包裝法、嵌入法）／18
2.1.3 模型的不可解釋性／22
2.2 數學基礎知識／23
2.2.1 微積分／23
2.2.2 統計學／29
2.2.3 線性代數／35
2.2.4 信息論基礎／36
2.2.5 凸優化／37
2.3 Python編程／39
第3章機器學習基礎讓推薦系統更懂你／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／62
3.2 決策樹／65
3.3 支持向量機（SVM）／70
3.3.1 SVM介紹／70
3.3.2 半監督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實現分類算法／81
3.7.4 Spark MLlib實現回歸算法／81
3.7.5 Spark MLlib實現聚類算法／82
3.8 聚類任務／82
3.8.1 k均值聚類算法／82
3.8.2 高斯混合聚類／85
第3部分推薦系統進階篇
第4章基於點擊率預估、RBM的推薦／94
4.1 傳統推薦算法的局限和應用／94
4.1.1 傳統推薦算法的局限／94
4.1.2 傳統推薦算法的應用／95
4.1.3 點擊率預估在推薦系統中的應用／95
4.2 集成學習（Ensemble Learning）／95
4.2.1 GBDT／96
4.2.2 XgBoost／97
4.2.3 Bagging與隨機森林／98
4.3 實例：基於RBM的推薦算法／102
第5章基於標籤的推薦／104
5.1 基於標籤系統的應用／104
5.2 數據標註與關鍵詞提取／104
5.2.1 推薦系統中的數據標註／104
5.2.2 推薦系統中的關鍵詞提取／105
5.2.3 標籤的分類／106
5.3 基於標籤的推薦系統／106
5.3.1 標籤評分算法／106
5.3.2 標籤評分算法改進／107
5.3.3 標籤基因／107
5.3.4 用戶興趣建模／107
5.4 實例：使用標籤推薦算法實現藝術家的推薦／108
5.4.1 了解實現思路／108
5.4.2 準備數據／108
5.4.3 選擇算法／109
5.4.4 模型訓練／109
5.4.5 效果評估／110
第6章推薦算法／112
6.1 基於內容的推薦算法／112
6.2 基於用戶行為特徵的推薦算法／113
6.2.1 User-Based CF詳解及優化／114
6.2.2 Item-Based CF詳解及優化／115
6.2.3 融合Match中協同過濾思想的深度排序模型／116
6.3 基於模型的推薦算法／117
6.4 基於流行度的推薦算法／118
6.5 混合算法／119
6.6 基於圖的模型／120
6.6.1 用戶行為數據的二分圖表示／120
6.6.2 基於圖的推薦算法／121
6.7 基於社交網絡的推薦／121
6.7.1 基於鄰域的社會化推薦算法／121
6.7.2 基於圖的社會化推薦算法／122
6.8 Slope-one推薦算法／122
6.9 基於DNN的推薦算法介紹／123
6.10 基於TF實現稀疏自編碼和在推薦中的應用／124
6.11 聯邦推薦算法及應用／127
第7章推薦系統冷啟動及召回方法／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部分推薦系統強化篇
第8章基於上下文的推薦／134
8.1 基於時間特徵的推薦／134
8.1.1 時間效應介紹／134
8.1.2 推薦系統的實時性／135
8.1.3 協同過濾中的時間因子／135
8.2 實例：增加時間衰減函數的協同過濾算法／136
8.2.1 在UserCF算法中增加時間衰減函數／136
8.2.2 在ItemCF算法中增加時間衰減函數／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 分層優化語言模型／147
9.1.4 連續詞袋模型／147
9.2 fastText／150
9.2.1 模型架構／150
9.2.2 層次Softmax／151
9.2.3 N-Gram子詞特徵／151
9.2.4 fastText和Word2Vec的區別／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 主題向量的轉化：TF-IDF（詞頻逆文檔頻率）／156