推薦系統——飛槳深度學習實戰

《推薦系統——飛槳深度學習實戰》是2023年6月1日清華大學出版社出版的圖書，作者：深度學習技術及套用國家工程研究中心 百度技術培訓中心 組編 薛峰 吳樂 吳志華 張文慧 楊晴虹 編著。

基本介紹

• 中文名：推薦系統——飛槳深度學習實戰
• 作者：深度學習技術及套用國家工程研究中心 百度技術培訓中心 組編 薛峰 吳樂 吳志華 張文慧 楊晴虹 編著
• 出版時間：2023年6月1日
• 出版社：清華大學出版社
• ISBN：9787302623755
• 定價：69.8 元
• 印次：1-1
• 印刷日期：2023.05.10

內容簡介

本書將推薦系統的理論基礎與代碼實踐相結合，內容涵蓋各類非個性化和個性化、經典及先進的推薦算法，以及工業界推薦系統的基本流程、步驟。本書可以作為各高校相關專業智慧型推薦系統課程教材，也可以作為技術人員的參考書籍。通過本書，讀者可以掌握推薦系統的基本概念、評價指標，熟悉推薦系統在工業界套用的具體過程，既可以了解基於傳統機器學習的推薦算法，也可以學習基於深度學習的前沿推薦算法，本書的最後一章帶領讀者熟悉推薦系統領域的關鍵問題和挑戰。

圖書目錄

目錄

第1章推薦系統概述

1.1推薦系統的背景與價值

1.1.1推薦系統的背景

1.1.2典型的推薦系統套用

1.2推薦系統是如何工作的

1.2.1推薦系統的基本任務

1.2.2推薦系統的工作過程

1.2.3推薦系統的原理

1.3推薦系統的歷史與分類

1.3.1推薦系統的發展歷史

1.3.2推薦算法的分類

1.4推薦系統評測

1.4.1推薦系統的評測方法

1.4.2推薦系統的評測指標

參考文獻

第2章生產環境下的推薦系統

2.1推薦系統的業務流程

2.1.1推薦總體流程

2.1.2召迴環節

2.1.3排序環節

2.1.4後處理調整

2.2推薦系統的主要業務模組

2.2.1數據採集與處理模組

2.2.2特徵工程模組

2.2.3推薦算法模組

2.2.4用戶互動模組

2.3推薦系統架構設計

2.3.1總體業務架構

2.3.2數據層

2.3.3算法層

2.3.4系統層

2.4線上系統的A/B測試

2.4.1前端接口

2.4.2數據讀取接口

2.4.3測試及評估接口

2.4.4監控接口

參考文獻

第3章機器學習算法基礎

3.1機器學習算法概述

3.1.1機器學習算法基本過程

3.1.2機器學習算法的分類

3.2線性回歸算法

3.2.1線性回歸模型

3.2.2線性回歸模型的損失函式

3.2.3梯度下降求解線性回歸模型參數的值

3.2.4線性回歸算法正則化

3.2.5實驗

3.2.6線性回歸算法特點

3.3邏輯回歸算法

3.3.1邏輯回歸模型

3.3.2邏輯回歸損失函式

3.3.3梯度下降求解值

3.3.4邏輯回歸算法的正則化

3.3.5實驗

3.3.6邏輯回歸算法特點

3.4決策樹

3.4.1決策樹的結構

3.4.2決策樹算法

3.4.3決策樹算法總結

3.4.4基於sklearn的決策樹實驗

3.5樸素貝葉斯

3.5.1樸素貝葉斯相關的統計學知識

3.5.2樸素貝葉斯模型

3.5.3總結

3.5.4基於sklearn的NaiveBayes實驗

3.6神經網路

3.6.1神經元模型

3.6.2全連線神經網路

3.6.3卷積神經網路

3.6.4循環神經網路

3.6.5圖神經網路

3.6.6實驗評估

參考文獻

第4章典型推薦算法

4.1推薦算法相關知識

4.1.1推薦算法的分類

4.1.2推薦系統中的隱式反饋、顯式反饋

4.1.3推薦系統中的損失函式

4.2非個性化推薦算法

4.2.1基於流行度的推薦方法

4.2.2基於關聯規則的推薦方法

4.3基於內容的推薦

4.3.1基本思想和過程

4.3.2一個基於內容推薦的示例

4.3.3基於標籤的推薦

4.4基於統計（相似度）的方法

4.4.1基於用戶的協同過濾

4.4.2基於物品的協同過濾

4.5基於矩陣分解的個性化推薦

4.5.1Matrix Factorization算法（MF/SVD）

4.5.2BiasSVD算法

4.5.3SVD 算法

4.5.4WRMF和EALS算法

4.6基於物品的協同過濾

4.6.1背景簡介

4.6.2SLIM算法

4.6.3FISM算法

參考文獻

第5章點擊率預估算法

5.1推薦系統中的召回和排序過程

5.1.1為什麼需要召回和排序環節

5.1.2召回、排序環節的典型方法

5.2點擊率預測簡介

5.3邏輯回歸模型

5.3.1背景

5.3.2基於LR模型的CTR預測流程

5.3.3實驗

5.4因式分解機模型

5.4.1背景

5.4.2FM模型原理

5.4.3實驗

5.5梯度提升樹模型

5.5.1背景

5.5.2模型原理

5.5.3實驗

5.6梯度提升樹 邏輯回歸模型（GBDT LR）

5.6.1背景

5.6.2模型原理

5.6.3實驗

5.7基於深度學習的CTR模型

5.7.1模型的記憶能力和泛化能力

5.7.2Wide&Deep模型

5.7.3DeepFM模型

5.7.4xDeepFM模型

5.7.5實驗

5.8本章小結

參考文獻

第6章基於深度學習的推薦算法

6.1為什麼需要深度學習

6.1.1推薦算法套用的挑戰

6.1.2深度學習的優勢

6.2深度學習與推薦系統的分類

6.2.1表征學習

6.2.2互動建模

6.3基於深度學習的矩陣分解推薦算法DeepMF

6.3.1背景

6.3.2模型原理

6.3.3實驗

6.3.4模型總結

6.4基於深度學習的協同過濾推薦算法NeuralCF

6.4.1背景

6.4.2模型原理

6.4.3實驗

6.4.4模型總結

6.5基於深度學習的物品協同過濾算法DICF

6.5.1DICF模型結構

6.5.2DICF模型最佳化

6.5.3實驗評估

6.5.4DICF模型總結

6.6基於GNN的協同過濾算法

6.6.1背景

6.6.2模型原理

6.6.3實驗

6.6.4模型改進

6.6.5模型總結

6.7基於GNN的混合推薦算法

6.7.1DiffNet模型

6.7.2AGCN模型

6.8本章小結

參考文獻

第7章一個簡易的推薦系統

7.1簡易推薦系統需求描述

7.1.1數據集準備

7.1.2推薦模型準備

7.1.3構建線上推薦接口

7.2數據集處理

7.2.1用戶數據處理

7.2.2物品（電影）數據處理

7.2.3評分數據處理

7.2.4構建數據讀取器

7.3基於PaddlePaddle實現的神經網路推薦模型

7.3.1用戶特徵向量構造

7.3.2電影特徵向量構造

7.3.3模型訓練和參數保存

7.4模擬線上電影推薦

第8章推薦系統中的問題與挑戰

8.1冷啟動問題

8.1.1冷啟動問題定義

8.1.2冷啟動解決方法

8.2數據稀疏性問題

8.2.1數據稀疏問題定義

8.2.2數據稀疏問題解決方法

8.3推薦可解釋性問題

8.3.1可解釋問題定義

8.3.2推薦解釋方法

8.4大數據處理與增量計算問題

8.4.1大數據問題定義

8.4.2大數據問題解決方法

8.5數據偏差問題

8.5.1數據偏差問題定義

8.5.2緩解數據偏差的方法

8.6其他問題

8.6.1時效性問題

8.6.2多樣性問題

8.6.3用戶意圖檢測問題

參考文獻