Python推薦系統實戰：基於深度學習、NLP和圖算法的應用型推薦系統 Applied Recommender Systems with Python: Build Recommender Systems with Deep Learning, Nlp and Graph-Based Techniques

詳 細 目 錄

第Ⅰ部分　基本方法

第1章 推薦系統簡介

什麽是推薦引擎 003

推薦引擎的類型 004

基於規則的推薦系統 011

流行度 011

全球流行的商品 013

按國家計算熱銷商品 014

再次購買 015

小結 016

第2章 超市購物車分析（關聯規則挖掘）

實現 017

數據收集 018

清洗數據 019

從數據集獲取的洞察 020

基於DateTime的模式 022

免費商品和銷售 026

熱銷商品 034

經常一起購買的商品 037

Apriori算法概念 038

關聯規則 040

新建函數 041

關聯規則的可視化 043

小結 049

第Ⅱ部分 流行方法

第3章 內容過濾

數據收集和下載詞嵌入 054

將數據導入為DataFrame 054

預處理數據 055

文本轉為特徵 057

OHE 057

詞頻向量器CountVectorizer 057

TF-IDF 058

詞嵌入 058

相似性度量 059

歐幾里得距離 059

餘弦相似度 060

曼哈頓距離 061

使用CountVectorizer構建模型 062

使用TF-IDF特徵構建模型 064

使用Word2vec特徵構建模型 065

使用fastText特徵構建模型 067

使用GloVe特徵構建模型 068

使用共現矩陣構建模型 071

小結 072

第4章 協同過濾

實現 074

數據收集 074

關於數據集 075

基於內存的方法 076

基於客戶對客戶的協同過濾 078

實現 078

項目對項目的協同過濾 081

實現 082

基於KNN的方法 085

機器學習 085

監督式學習 086

小結 090

第5章 使用矩陣分解、奇異值分解和共聚類的協同過濾

實現矩陣分解、共聚類和SVD 092

實現NMF 096

實現共聚類 098

實現SVD 099

獲取推薦 100

小結 104

第6章 混合推薦系統

實現 106

數據收集 106

數據準備 108

模型構建 112

合並訓練集和測試集後的最終模型 117

獲取推薦 117

小結 119

第Ⅲ部分 先進的機器學習算法

第7章 基於聚類的推薦系統

數據收集和下載所需的詞嵌入 125

預處理數據 126

探索性數據分析 127

標簽編碼 129

模型構建 130

k均值聚類 130

肘部方法 131

層次聚類 131

小結 142

第8章 基於分類算法的推薦系統

方法 143

數據收集以及下載詞嵌入 144

以DataFrame（pandas）形式導入數據 144

數據預處理 146

特徵工程 152

探索性數據分析 153

模型構建 156

拆分訓練集和測試集 157

邏輯回歸 157

實現 159

決策樹 161

實現 162

隨機森林 163

實現 163

KNN 164

實現 164

小結 166

第Ⅳ部分 相關趨勢和新技術

第9章 基於深度學習的推薦系統

深度學習（人工神經網絡）基礎 169

神經協同過濾（NCF） 170

實現 172

數據收集 172

以DataFrame（pandas）形式導入數據 173

數據預處理 174

拆分訓練集和測試集 175

建模和推薦 175

小結 180

第10章 基於圖的推薦系統

實現 182

小結 191

第11章 新興領域和新技術

實時推薦 193

對話式推薦 194

上下文感知推薦系統 194

多任務推薦系統 195

聯合表徵學習 196

小結 198