动手学推荐系统
正版新书 新华官方库房直发 可开电子发票
￥ 54.51 6.9折 ￥ 79 全新
库存19件
作者於方仁编著
出版社清华大学出版社
ISBN9787302606284
出版时间2022-11
版次1
装帧平装
开本16开
纸张胶版纸
页数300页
字数422千字
定价79元
货号SC:9787302606284
上书时间2024-12-02
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
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。
主编推荐:
本书的重点是通过梳理脉络由浅入深地带领读者走进推荐算法领域并建立自己的推荐算法推理思路。配套112个示例源代码，1911分钟视频讲解。
内容简介:
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。
第1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。
摘要:
第3章
进阶推荐算法
本章会介绍如今深度学习时代下热门的几个经典算法，以及如何推导深度学习推荐算法模型。笔者认为推荐算法工程师切勿生搬硬套前沿论文的模型。一定要有自己对于目前推荐场景的思路，学习他人的算法模型是为了帮助自己更好地建立思路，而不是单纯地搬运他人算法在自己的场景中使用。
因为对于推荐算法而言，至少现在并不存在一个万金油的模型可以覆盖一切场景，而是需要推荐算法工程师结合当前场景及当前的数据，结合前沿及经典算法的思路推导出最合适的推荐算法。
身处当代的大家，是否觉得目前正是推荐算法百家争鸣的年代呢？网上随便一查就可以查到诸多推荐算法，但其实如果纵观历史，每个年代当时的学问无不处于百家争鸣的状态，而之所以会对当代百家争鸣的状态更有印象，正是因为我们是局中人。
3.1神经网络推荐算法推导范式
6min
1992年，协同过滤问世之后，直到2003年才出现ItemCF算法，这11年间没有别的推荐算法吗？当然不是，只是经过多年的沉淀，成为经典的只有协同过滤而已，而今天众多的推荐算法也一样，20年后能流传下去的也不会太多，所以对于学习算法的大家，一定要在基础巩固的前提下，形成推导算法的范式。
自深度学习问世以来，神经网络的概念也随之而来。神经网络复杂吗？当然复杂，因为神经网络直接将算法的层次拉深且拉宽，动辄就会有好几个层级，以及无数个神经元。神经网络简单吗？其实简单无比，了解了基本网络层的组成后，就会发现深度学习神经网络像搭积木一样。
3.1.1ALS+MLP
15min
先从最基础的推荐算法ALS结合最基础的深度学习网络MLP开始讲解。首先，如果把ALS的模型结构画成神经网络图，则如图31所示。
多层感知机(MultiLayer Perceptron，MLP)［2］是深度学习的开端，简单理解是在最终计算前，使向量经过一次或多次的线性投影及非线性激活从而增加模型的拟合度。ALS结合MLP的神经网络如图32所示。
图31ALS神经网络示意图
图32ALSMLP示意图
6min
其中，每个隐藏层(Hidden Layer)都由一个线性层和非线性激活层组成。
线性层是y=w·x的一个线性方程的形式，非线性激活层
类似于Sigmoid、ReLU和Tanh等激活函数。线性层加非线性激活层的组合又被称为全连接层(Dense Layer)。 基础知识——非线性激活层的意义
这里顺便提一下，如果没有非线性激活单元，则多层的线性层是没有意义的。假设有l个隐藏线性层，则x经过多层投影得到第l层输出的这一过程可被描述为式（31）。
h1=w0·x
h2=w1·h1
…
hl=wl-1·hl-1
(31)
如果将此公式稍微改变一下形式，则可得
hl=wl-1…w1w0x(32)
所以可以发现，
...
目录:
第1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
1.2.1 Tapestry
1.2.2 GroupLens
1.3 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
2.2.1 CN相似度
2.2.2 Jaccard相似度
2.2.3 Cos相似度
2.2.4 Pearson相似度
2.2.5 Pearson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
2.3.1 UserCF
2.3.2 行为相似与内容相似的区别
2.3.3 ItemCF
2.3.4 实战： UserCF
2.3.5 实战： ItemCF
2.3.6 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、准确率、召回率
2.4.2 推荐系统的准确率、准确率、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
2.5.1 UserIIF与ItemIUF
2.5.2 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
2.6.1 SVD矩阵分解
2.6.2 将SVD用作推荐
— 没有更多了 —
以下为对购买帮助不大的评价