推薦系統：前沿與實踐

內容簡介

推薦系統是網際網路時代極具商業價值的人工智慧套用之一，30 年來持續受到學術界和工業界的廣泛關注。本書作者以一線研發人員的視角和經驗，對推薦系統進行總結，嘗試從原理與實踐兩個角度為讀者剖析推薦系統。本書首先從原理上介紹各類經典推薦算法及前沿的深度學習推薦算法，然後分析推薦系統領域發展的前沿話題和未來方向，最後結合微軟的開源項目Microsoft Recommenders 介紹推薦系統的實踐經驗。讀者可以基於本書提供的原始碼，深入學習推薦算法的設計原理和實踐方式，並可以基於本書從零開始快速搭建一個準確、高效的推薦系統。本書不僅適合網際網路、大數據等相關領域技術人員閱讀，也適合高等院校計算機、軟體工程、人工智慧等專業的本科生和研究生參考。

圖書目錄

序

前言

第1 章推薦系統概述1

1.1 推薦系統發展歷史/2

1.1.1 基於內容的推薦算法/2

1.1.2 基於協同過濾的推薦算法/3

1.1.3 基於深度學習的推薦算法/5

1.2 推薦系統原理/6

1.2.1 機器學習視角下的推薦系統/6

1.2.2 深度學習推薦系統新範式/12

1.2.3 推薦系統常見架構/15

1.3 推薦系統套用價值/17

1.3.1 推薦系統的業務價值/17

1.3.2 推薦、搜尋與廣告/19

1.3.3 推薦系統的行業套用/20

1.4 小結/22

第2 章經典推薦算法/25

2.1 基於內容的推薦算法/26

2.1.1 基於結構化內容的推薦/27

2.1.2 基於非結構化內容的推薦/33

2.1.3 基於內容推薦的優勢與局限/41

2.2 基於協同過濾的推薦算法/42

2.2.1 基於記憶的協同過濾算法/42

2.2.2 矩陣分解方法與因子分解機方法/50

2.3 小結/58

第3 章深度學習基礎/59

3.1 神經網路與前饋計算/60

3.2 反向傳播算法/61

3.3 多種深度神經網路/64

3.3.1 卷積神經網路/64

3.3.2 循環神經網路/68

3.3.3 注意力機制/72

3.3.4 序列建模與預訓練/75

3.4 小結/78

第4 章基於深度學習的推薦算法/79

4.1 深度學習與協同過濾/80

4.1.1 基於受限玻爾茲曼機的協同過濾/80

4.1.2 基於自編碼器的協同過濾/82

4.1.3 深度學習與矩陣分解/84

4.1.4 基於鄰域的深度協同過濾/87

推薦系統：前沿與實踐

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條