动手学推荐系统—基于PyTorch的算法实现
￥ 28.92 3.7折 ￥ 79 九五品
仅1件
作者於方仁
出版社清华大学出版社
ISBN9787302606284
出版时间2022-10
版次1
装帧平装
开本16开
纸张胶版纸
页数300页
字数99999千字
定价79元
上书时间2024-07-14
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:动手学推荐系统—基于PyTorch的算法实现
定价：79.00元
作者:於方仁
出版社：清华大学出版社
出版日期：2022-10-01
ISBN：9787302606284
字数：422000
页码：300
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
内容提要
本书从理论结合实践编程来学习推荐系统。由浅入深，先基础后进阶，先理论后实践，先主流后推导。章较为简单，仅初步带领大家了解什么是推荐系统及推荐系统的简史。第2章到第5章介绍的是主流的推荐算法及推荐算法的推导过程，这部分是本书的核心，每个算法都描述的非常详细且有具体代码帮助大家理解，深度学习的框架将采用PyTorch。第6章介绍的是商业及推荐系统的组成结构，第7章系统地介绍了推荐系统的评估指标及方式。第8章则介绍整个推荐工程的生命周期。第6~8章可随时抽取出来提前看。本书配套示例代码及微课视频，帮助读者快速入门推荐算法及系统。本书可作为高等院校、科研机构或从事推荐系统工作的工程师的参考书籍，也可作为高年级本科生和研究生的学习参考书籍。
目录
章 推荐系统的初步了解（ 28min）1.1什么是推荐系统1.2推荐系统的由来1.2.1Tapestry1.2.2GroupLens1.3推荐系统的概况1.4推荐算法的概况参考文献第2章 基础推荐算法（ 398min）2.1协同过滤2.2基础近邻指标2.2.1CN相似度2.2.2Jaccard相似度2.2.3Cos相似度2.2.4Pearson相似度2.2.5Pearson相似度与Cos相似度之间的联系2.3基于近邻的协同过滤算法2.3.1UserCF2.3.2行为相似与内容相似的区别2.3.3ItemCF2.3.4实战： UserCF2.3.5实战： ItemCF2.3.6实战： 标注为1~5的评分2.4推荐模型评估： 入门篇2.4.1广义的准确率、率、召回率2.4.2推荐系统的准确率、率、召回率2.4.3推荐列表评测2.4.4对近邻协同过滤模型进行评测2.5进阶近邻指标2.5.1UserIIF与ItemIUF2.5.2更高效地利用流行度定义近邻指标2.5.3自定义相似度指标的范式2.6矩阵分解协同过滤算法2.6.1SVD矩阵分解2.6.2将SVD用作推荐2.6.3LFM隐因子模型2.6.4ALS代码实现2.6.5推荐模型评估： MSE、RMSE、MAE2.6.6以深度学习端到端训练思维理解ALS2.6.7ALS代码实现PyTorch版2.7逻辑回归出发的推荐算法2.7.1显式反馈与隐式反馈2.7.2逻辑回归2.7.3POLY22.7.4FM2.7.5以深度学习端到端训练思维理解FM2.8本章 总结2.8.13个重要算法： 近邻协同过滤、ALS、FM2.8.2协同过滤算法总结参考文献 第3章 进阶推荐算法（ 351min）3.1神经网络推荐算法推导范式3.1.1ALS+MLP3.1.2特征向量+MLP3.1.3结合CNN的推荐3.1.4结合RNN的推荐3.1.5ALS结合RNN3.1.6联合训练的RNN3.1.7小节总结3.2FM在深度学习中的应用3.2.1FNN3.2.2改进后的FNN3.2.3Wide & Deep3.2.4DeepFM3.2.5AFM3.2.6小节总结3.3序列推荐算法3.3.1基本序列推荐模型3.3.2DIN与注意力计算方式3.3.3从PReLU到Dice激活函数3.3.4DIEN模拟兴趣演化的序列网络3.4Transformer在推荐算法中的应用3.4.1从推荐角度初步了解Transformer3.4.2多头注意力与缩放点乘注意力算法3.4.3残差3.4.4Layer Normalization3.4.5前馈神经网络层3.4.6位置编码3.4.7Transformer Encoder3.4.8利用Transformer编码器的推荐算法BST3.4.9Transformer Decoder3.4.10结合Transformer解码器的推荐算法推导3.5本章 总结参考文献第4章 图神经网络与推荐算法（ 275min）4.1图论基础4.1.1什么是图4.1.2无向图与有向图4.1.3无权图与有权图4.1.4同构图与异构图4.1.5图的表示： 邻接矩阵4.1.6图的表示： 邻接列表4.1.7图的表示： 边集4.1.8邻居与度4.1.9结构特征、节点特征、边特征4.1.10处理图的Python库推荐4.2基于图的基础推荐方式4.2.1链路预测(Link Prediction)4.2.2什么是路径4.2.3基于路径的基础链路预测4.2.4图游走算法DeepWalk4.2.5图游走算法Node2Vec4.3图神经网络4.3.1GCN图卷积网络4.3.2GAT图注意力网络4.3.3消息传递4.3.4图采样介绍4.3.5图采样算法： GraphSAGE4.3.6图采样算法： PinSAGE4.4基于图神经网络的推荐4.4.1利用GCN的推荐算法4.4.2利用GAT的推荐算法4.4.3图神经网络结合FM的推荐算法： GFM4.4.4GFM加入注意力机制的推荐算法： GAFM4.4.5小节总结4.5本章 总结参考文献第5章 知识图谱与推荐算法（ 408min）5.1知识图谱基础5.1.1知识图谱定义5.1.2RDF到HRT三元组5.1.3知识图谱推荐算法与图神经网络推荐算法的发展脉络5.1.4知识图谱推荐算法的概览5.1.5基于知识图谱推荐的优劣势5.1.6Freebase数据集介绍5.2Knowledge Graph Embedding知识图谱嵌入5.2.1翻译距离模型TransE5.2.2翻译距离模型TransH5.2.3翻译距离模型TransR5.2.4其他翻译距离模型5.2.5语义匹配模型RESCAL5.2.6其他语义匹配模型5.3基于知识图谱嵌入的推荐算法5.3.1利用知识图谱嵌入做推荐模型的基本思路5.3.2简单的知识图谱推荐算法CKE5.3.3CKE扩展及演化5.3.4加强知识图谱信息的影响： MKR5.3.5MKR扩展5.3.6针对更新频率很快的新闻场景知识图谱推荐算法： DKN5.4基于知识图谱路径的推荐算法5.4.1元路径5.4.2路径相似度(PathSim)5.4.3学习元路径的权重： PER5.4.4异构图的图游走算法： MetaPath2Vec5.4.5MetaPath2Vec的扩展5.5知识图谱嵌入结合图路径的推荐RippLeNet5.5.1RippLeNet基础思想5.5.2RippLeNet计算过程5.5.3水波图采样5.5.4RippLeNet实际操作时的注意事项与代码范例5.6图神经网络与知识图谱5.6.1基础的基于图神经网络的知识图谱推荐算法KGCN5.6.2KGCN的扩展 KGNNLS5.6.3图注意力网络在知识图谱推荐算法中的应用KGAT5.6.4GFM与知识图谱的结合KGFM5.7本章 总结参考文献第6章 推荐系统的构造（ 228min）参考文献第7章 推荐系统的评估（ 134min）参考文献第8章 推荐工程的生命周期（ 75min）参考文献结语（ 14min）
作者介绍
於方仁，推荐算法、图神经网络、知识图谱等领域专家。在推荐系统领域从业多年，现任苏州中贸大数据CTO。善于在实战中总结经验，授课幽默风趣，乐于分享知识。
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价