推荐系统——飞桨深度学习实战
全新正版 极速发货
￥ 41.84 6.0折 ￥ 69.8 全新
库存6件
广东广州
认证卖家担保交易快速发货售后保障
作者深度学习技术及应用国家工程研究中心,百度技术培训中心,薛峰 等 编
出版社清华大学出版社
ISBN9787302623755
出版时间2023-06
装帧平装
开本16开
定价69.8元
货号1202890096
上书时间2024-11-24
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章推荐系统概述
1.1推荐系统的背景与价值
1.1.1推荐系统的背景
1.1.2典型的推荐系统应用
1.2推荐系统是如何工作的
1.2.1推荐系统的基本任务
1.2.2推荐系统的工作过程
1.2.3推荐系统的原理
1.3推荐系统的历史与分类
1.3.1推荐系统的发展历史
1.3.2推荐算法的分类
1.4推荐系统评测
1.4.1推荐系统的评测方法
1.4.2推荐系统的评测指标
参考文献
第2章生产环境下的推荐系统
2.1推荐系统的业务流程
2.1.1推荐总体流程
2.1.2召回环节
2.1.3排序环节
2.1.4后处理调整
2.2推荐系统的主要业务模块
2.2.1数据采集与处理模块
2.2.2特征工程模块
2.2.3推荐算法模块
2.2.4用户交互模块
2.3推荐系统架构设计
2.3.1总体业务架构
2.3.2数据层
2.3.3算法层
2.3.4系统层
2.4线上系统的A/B测试
2.4.1前端接口
2.4.2数据读取接口
2.4.3测试及评估接口
2.4.4监控接口
参考文献
第3章机器学习算法基础
3.1机器学习算法概述
3.1.1机器学习算法基本过程
3.1.2机器学习算法的分类
3.2线性回归算法
3.2.1线性回归模型
3.2.2线性回归模型的损失函数
3.2.3梯度下降求解线性回归模型参数的很优值
3.2.4线性回归算法正则化
3.2.5实验
3.2.6线性回归算法特点
3.3逻辑回归算法
3.3.1逻辑回归模型
3.3.2逻辑回归损失函数
3.3.3梯度下降求解很优值
3.3.4逻辑回归算法的正则化
3.3.5实验
3.3.6逻辑回归算法特点
3.4决策树
3.4.1决策树的结构
3.4.2决策树算法
3.4.3决策树算法总结
3.4.4基于sklearn的决策树实验
3.5朴素贝叶斯
3.5.1朴素贝叶斯相关的统计学知识
3.5.2朴素贝叶斯模型
3.5.3总结
3.5.4基于sklearn的NaiveBayes实验
3.6神经网络
3.6.1神经元模型
3.6.2全连接神经网络
3.6.3卷积神经网络
3.6.4循环神经网络
3.6.5图神经网络
3.6.6实验评估
参考文献
第4章典型推荐算法
4.1推荐算法相关知识
4.1.1推荐算法的分类
4.1.2推荐系统中的隐式反馈、显式反馈
4.1.3推荐系统中的损失函数
4.2非个性化推荐算法
4.2.1基于流行度的推荐方法
4.2.2基于关联规则的推荐方法
4.3基于内容的推荐
4.3.1基本思想和过程
4.3.2一个基于内容推荐的示例
4.3.3基于标签的推荐
4.4基于统计（相似度）的方法
4.4.1基于用户的协同过滤
4.4.2基于物品的协同过滤
4.5基于矩阵分解的个性化推荐
4.5.1MatrixFactorization算法（MF/SVD）
4.5.2BiasSVD算法
4.5.3SVD++算法
4.5.4WRMF和EALS算法
4.6基于物品的协同过滤
4.6.1背景简介
4.6.2SLIM算法
4.6.3FISM算法
参考文献
第5章点击率预估算法
5.1推荐系统中的召回和排序过程
5.1.1为什么需要召回和排序环节
5.1.2召回、排序环节的典型方法
5.2点击率预测简介
5.3逻辑回归模型
5.3.1背景
5.3.2基于LR模型的CTR预测流程
5.3.3实验
5.4因式分解机模型
5.4.1背景
5.4.2FM模型原理
5.4.3实验
5.5梯度提升树模型
5.5.1背景
5.5.2模型原理
5.5.3实验
5.6梯度提升树+逻辑回归模型（GBDT+LR）
5.6.1背景
5.6.2模型原理
5.6.3实验
5.7基于深度学习的CTR模型
5.7.1模型的记忆能力和泛化能力
5.7.2Wide&Deep模型
5.7.3DeepFM模型
5.7.4xDeepFM模型
5.7.5实验
5.8本章小结
参考文献
第6章基于深度学习的推荐算法
6.1为什么需要深度学习
6.1.1推荐算法应用的挑战
6.1.2深度学习的优势
6.2深度学习与推荐系统的分类
6.2.1表征学习
6.2.2交互建模
6.3基于深度学习的矩阵分解推荐算法DeepMF
6.3.1背景
6.3.2模型原理
6.3.3实验
6.3.4模型总结
6.4基于深度学习的协同过滤推荐算法NeuralCF
6.4.1背景
6.4.2模型原理
6.4.3实验
6.4.4模型总结
6.5基于深度学习的物品协同过滤算法DICF
6.5.1DICF模型结构
6.5.2DICF模型优化
6.5.3实验评估
6.5.4DICF模型总结
6.6基于GNN的协同过滤算法
6.6.1背景
6.6.2模型原理
6.6.3实验
6.6.4模型改进
6.6.5模型总结
6.7基于GNN的混合推荐算法
6.7.1DiffNet模型
6.7.2AGCN模型
6.8本章小结
参考文献
第7章一个简易的推荐系统
7.1简易推荐系统需求描述
7.1.1数据集准备
7.1.2推荐模型准备
7.1.3构建在线推荐接口
7.2数据集处理
7.2.1用户数据处理
7.2.2物品（电影）数据处理
7.2.3评分数据处理
7.2.4构建数据读取器
7.3基于PaddlePaddle实现的神经网络推荐模型
7.3.1用户特征向量构造
7.3.2电影特征向量构造
7.3.3模型训练和参数保存
7.4模拟在线电影推荐
第8章推荐系统中的问题与挑战
8.1冷启动问题
8.1.1冷启动问题定义
8.1.2冷启动解决方法
8.2数据稀疏性问题
8.2.1数据稀疏问题定义
8.2.2数据稀疏问题解决方法
8.3推荐可解释性问题
8.3.1可解释问题定义
8.3.2推荐解释方法
8.4大数据处理与增量计算问题
8.4.1大数据问题定义
8.4.2大数据问题解决方法
8.5数据偏差问题
8.5.1数据偏差问题定义
8.5.2缓解数据偏差的方法
8.6其他问题
8.6.1时效性问题
8.6.2多样性问题
8.6.3用户意图检测问题
参考文献
内容摘要
本书将推荐系统的理论基础与代码实践相结合，内容涵盖各类非个性化和个性化、经典及优选的推荐算法，以及工业界推荐系统的基本流程、步骤。本书可以作为各高校相关专业智能推荐系统课程教材，也可以作为技术人员的参考书籍。通过本书，读者可以掌握推荐系统的基本概念、评价指标，熟悉推荐系统在工业界应用的具体过程，既可以了解基于传统机器学习的推荐算法，也可以学习基于深度学习的前沿推荐算法，本书的最后一章带领读者熟悉推荐系统领域的关键问题和挑战。
主编推荐
本书有以下特色：
1.由浅入深，对于推荐系统没有经验的读者也可以全貌地了解推荐系统。
2.兼容并包，对从经典的机器学习方法到近期新的深度学习方法都进行了详细讲解。
3.知行合一，除了介绍重要的算法的原理和推导过程外，也配置了相应的实验。
4.学以致用，立足于工业应用介绍推荐系统。带领读者动手从零搭建推荐系统。
5.工业经验，借鉴百度优选的推荐系统经验，做到理论和实践相结合。
— 没有更多了 —
以下为对购买帮助不大的评价