智能推荐算法与系统构建实践
全新正版 假一赔十 可开发票
￥ 89.77 6.9折 ￥ 129.8 全新
库存6件
北京海淀
认证卖家担保交易快速发货售后保障
作者陈实如
出版社人民邮电出版社
ISBN9787115614872
出版时间2024-01
装帧平装
开本16开
定价129.8元
货号1203184950
上书时间2024-06-25
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
陈实如
博士研究生，教授级高级工程师，浪潮集团资深研究员，长期从事企业数字化转型、技术规划和技术管理，专注于物联网、大数据、工业互联网人工智能等领域，擅长数据挖掘、数据建模、推荐算法和系统架构构建。独立负责几十个信息化平台的研发和交付，具有丰富的开发实战经验。喜欢总结，乐于分享。在国外核心期刊发表论文30余篇，获得国家发明专利授权20余项。
目录
第1部分认知篇1
第1章认识推荐系统3
1.1推荐与推荐系统3
1.2生活中的推荐系统6
1.3推荐系统的特点与价值9
1.4推荐服务12
1.5个性化推荐策略14
1.5.1U2Tag2I策略14
1.5.2U2U2I策略15
1.5.3U2I2I策略15
1.5.4U2I策略16
1.6本章小结16
第2章推荐系统技术实现17
2.1工作原理17
2.2业务流程18
2.3业务功能模块21
2.3.1数据采集22
2.3.2特征工程26
2.3.3推荐算法29
2.3.4推荐服务36
2.3.5效能评价38
2.4推荐系统开发39
2.5本章小结43
第2部分数据篇45
第3章数据提取与特征向量47
3.1特征标签构建流程47
3.2特征标签构建方法49
3.3数据提取51
3.4数据处理53
3.4.1数据统计54
3.4.2数据标准化55
3.4.3数据离散化58
3.5特征编码61
3.5.1类别数据61
3.5.2时间数据69
3.5.3位置数据73
3.5.4文本数据74
3.6本章小结86
第4章构建个性化特征标签87
4.1喜欢度——衡量用户感兴趣的程度87
4.2新闻特征标签89
4.2.1基本特征89
4.2.2类别特征90
4.2.3内容特征91
4.2.4趋势特征100
4.2.5新闻特征向量102
4.3用户特征标签103
4.3.1基本特征104
4.3.2位置特征104
4.3.3兴趣偏好特征105
4.3.4行为特征109
4.3.5价值特征109
4.3.6用户特征向量111
4.4特征相似度计算112
4.4.1欧几里得距离113
4.4.2曼哈顿距离113
4.4.3闵可夫斯基距离113
4.4.4马氏距离114
4.4.5余弦相似度114
4.4.6皮尔逊相关系数115
4.4.7杰卡德相关系数116
4.4.8代码示例117
4.5本章小结121
第5章交叉组合构建新特征122
5.1特征组合122
5.1.1特征拼接122
5.1.2笛卡儿构建123
5.1.3线性组合123
5.1.4多项式特征124
5.1.5代码示例125
5.2特征选择128
5.2.1方差选择129
5.2.2相关选择129
5.2.3卡方检验131
5.2.4主成分分析133
5.2.5树模型选择136
5.2.6代码示例143
5.3本章小结150
第3部分召回篇151
第6章机器学习模型153
6.1机器学习的定义153
6.1.1有监督学习154
6.1.2无监督学习154
6.2数据集155
6.2.1常用公开数据集156
6.2.2在线构建数据集156
6.2.3数据集划分160
6.2.4生成训练集166
6.3模型训练168
6.4模型保存169
6.5模型评价170
6.5.1分类模型评价170
6.5.2回归模型评价173
6.5.3代码示例174
6.6模型上线175
6.7本章小结176
第7章基于新闻热度的推荐召回177
7.1新闻热度177
7.2热门推荐算法179
7.3代码示例179
7.4本章小结184
第8章基于内容的推荐召回185
8.1商品内容185
8.2KNN算法模型186
8.2.1KNN发现186
8.2.2KNN算法改进187
8.3代码示例189
8.4本章小结199
第9章基于标签的推荐召回201
9.1认识标签201
9.2标签推荐算法202
9.3升级标签推荐算法206
9.4代码示例207
9.5本章小结211
第10章协同过滤推荐召回212
10.1UserCF算法212
10.1.1算法原理212
10.1.2代码示例218
10.2ItemCF算法223
10.2.1算法原理223
10.2.2代码示例227
10.3本章小结232
第11章基于矩阵分解的推荐召回233
11.1数学知识233
11.2SVD推荐算法236
11.3代码示例237
11.4本章小结241
第12章基于LFM的推荐召回243
12.1LFM概述243
12.2LFM推荐算法244
12.3代码示例247
12.4本章小结251
第13章多路召回融合策略252
13.1多路召回策略252
13.2融合策略254
13.2.1顺序融合255
13.2.2平均加权融合256
13.2.3加权融合256
13.2.4动态加权融合257
13.3代码示例257
13.4本章小结266
第4部分排序篇267
第14章线性模型排序算法269
14.1回归模型269
14.2线性回归模型270
14.3逻辑回归模型273
14.3.1算法模型273
14.3.2模型参数估计275
14.3.3代码示例277
14.4本章小结283
第15章LR-GBDT模型排序算法284
15.1CART决策树284
15.2集成学习模型292
15.2.1Bagging算法293
15.2.2Boosting算法294
15.2.3Stacking算法295
15.3GBDT模型296
15.4LR-GBDT模型299
15.4.1模型算法推导299
15.4.2代码示例300
15.5本章小结306
第16章深度学习模型排序算法307
16.1神经元307
16.2ANN模型309
16.3模型训练315
16.3.1正向传递317
16.3.2反向传递319
16.4模型优化323
16.4.1梯度优化算法324
16.4.2Batch归一化327
16.4.3正则化328
16.5DNN模型329
16.5.1模型构建329
16.5.2代码示例331
16.6Wide&Deep模型335
16.6.1Wide部分336
16.6.2Deep部分337
16.6.3联合训练337
16.6.4Wide&Deep模型案例338
16.7本章小结339
第5部分系统篇341
第17章推荐服务生成与管理343
17.1推荐系统的Web服务343
17.2推荐服务的请求与响应345
17.2.1HTTP346
17.2.2REST编程风格349
17.2.3基于Django开发REST风格API352
17.2.4基于SpringMVC开发REST风格API354
17.3生成推荐结果355
17.3.1离线生成356
17.3.2在线生成360
17.3.3在线+离线融合生成361
17.3.4代码示例364
17.4生成方案对比376
17.5本章小结377
第18章推荐系统效能评价379
18.1推荐系统评价379
18.2用户调研380
18.3离线测试382
18.3.1离线测试方法382
18.3.2离线测试指标384
18.4在线测试384
18.4.1AB测试385
18.4.2推荐系统的AB测试实验389
18.4.3在线测试指标392
18.5本章小结398
第19章推荐系统架构设计400
19.1系统架构概述400
19.2系统边界405
19.3系统总体架构407
19.4依赖的第三方环境413
19.4.1大数据计算平台413
19.4.2机器学习平台417
19.4.3存储平台420
19.4.4数据查询检索平台421
19.4.5Web系统开发框架421
19.5系统技术架构422
19.5.1数据流424
19.5.2离线层计算426
19.5.3近线层计算427
19.5.4在线层计算429
19.5.5技术架构对比432
19.6系统部署架构434
19.7系统建设步骤438
19.8本章小结439
内容摘要
本书从系统视角出发，阐述如何利用技术手段搭建企业级推荐系统，内容包括认知篇、数据篇、召回篇、排序篇、系统篇5个部分，覆盖企业级推荐系统建设的核心要点。本书知识体系清晰，从基础知识切入，逐步深入，先后涉及推荐系统的经典技术、主流技术和前沿技术。本书通过“理论+案例+代码示例+心得体会”的方式阐述、归纳和总结推荐系统的知识，帮助读者理解推荐系统，掌握技能，建立系统思维。
本书适合对推荐系统感兴趣的初学者、从事数据挖掘/信息推荐相关工作的研发工程师、产品经理、架构师，以及相关专业学生和教师阅读。
主编推荐
1、理论解析+案例解析+示例代码+经验分享
2、知识体系全面，实用性强
3、经典技术+主流技术+前沿技术
4、系统建设的基本原则+实战技巧
5、系统视角阐述推荐系统搭建
6、作者从事信息系统研发20年，CTO，技术专家，融入推荐系统建设经验
— 没有更多了 —
以下为对购买帮助不大的评价