幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

推薦系統演算法實踐

  • 作者：黃美靈
  • 出版社：電子工業
  • ISBN：9787121370403
  • 出版日期：2019/09/01
  • 裝幀：平裝
  • 頁數：342
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要講解推薦系統中的召回演算法和排序演算法，以及各個演算法在主流工具Sklearn、Spark、TensorFlow等中的實現和應用。
    書中本著循序漸進的原則進行講解。首先，介紹推薦系統中推薦演算法的數學基礎，推薦演算法的平台、工具基礎，以及具體的推薦系統。其次，對推薦系統中的召回演算法進行講解，主要包括基於行為相似的協同過濾召回和基於內容相似的Word2vec召回，並且介紹其在Spark、TensorFlow主流工具中的實現與應用。再次，講解推薦系統中的排序演算法，包括線性模型、樹模型和深度學習模型，分別介紹邏輯回歸、FM、決策樹、隨機森林、GBDT、GBDT+LR、集成學習、深度森林、DNN、Wide ＆ Deep、DeepFM、YouTube推薦等模型的原理，以及其在Sklearn、Spark、TensorFlow主流工具中的實現與應用。最後，介紹推薦演算法的4個實踐案例，幫助讀者進行工程實踐和應用，並且介紹如何在Notebook上進行代碼開發和演算法調試，以幫助讀者提升工作效率。
    本書適合AI、數據挖掘、大數據等領域的從業人員閱讀，書中為開發者展現了推薦演算法的原理、實現與應用案例。
作者介紹
黃美靈
    黃美靈，現任一線互聯網公司的高級工程師，擁有多年大型互聯網公司推薦系統和機器學習實戰經驗，現從事廣告推薦、應用分發和資訊Feeds流推薦相關工作。
目錄
第1部分  推薦系統的演算法基礎
  第1章  數學基礎
    1.1  線性代數
    1.2  概率與統計
    1.3  損失函數
    1.4  優化方法
      1.4.1  SGD
      1.4.2  動量
      1.4.3  Nesterov動量
      1.4.4  AdaGrad
      1.4.5  Adam
      1.4.6  L-BFGS
      1.4.7  梯度法和牛頓法的比較
    1.5  評價方法
      1.5.1  混淆矩陣
      1.5.2  ROC曲線
  第2章  推薦系統介紹
    2.1  推薦系統背景
    2.2  推薦系統的典型案例
      2.2.1  Amazon推薦
      2.2.2  Facebook推薦
      2.2.3  YouTube推薦
    2.3  推薦系統原理
  第3章  推薦演算法工具
    3.1  Python Sklearn機器學習庫
      3.1.1  Sklearn介紹
      3.1.2  Sklearn建模流程
    3.2  Spark MLlib機器學習庫
      3.2.1  MLlib介紹
      3.2.2  MLlib建模流程
    3.3  TensorFlow
      3.3.1  TensorFlow介紹
      3.3.2  TensorFlow建模流程
    3.4  Notebook介紹
      3.4.1  Zeppelin Notebook介紹
      3.4.2  Jupyter Notebook介紹
第2部分  推薦系統的召回演算法
  第4章  協同過濾——基於行為相似的召回
    4.1  協同過濾演算法
      4.1.1  協同過濾推薦概述
      4.1.2  用戶評分
      4.1.3  相似度計算
      4.1.4  推薦計算
    4.2  協同過濾推薦演算法實現
      4.2.1  相似度計算及推薦計算
      4.2.2  協同推薦
      4.2.3  運行結果
  第5章  Word2vec——基於內容相似的召回
    5.1  Word2vec演算法
      5.1.1  語言模型

      5.1.2  CBOW One-Word Context模型
      5.1.3  CBOW Multi-Word Context模型
      5.1.4  Skip-Gram模型
      5.1.5  Hierarchical Softmax
      5.1.6  Negative Sampling
    5.2  Word2vec實例
      5.2.1  Spark實現
      5.2.2  TensorFlow實現
第3部分  推薦系統的排序演算法——線性模型
  第6章  邏輯回歸
    6.1  邏輯回歸演算法
      6.1.1  二元邏輯回歸模型
      6.1.2  模型參數估計
      6.1.3  多元邏輯回歸模型（Softmax回歸）
      6.1.4  邏輯回歸的網路結構
      6.1.5  梯度下降演算法
      6.1.6  正則化
    6.2  邏輯回歸實現
      6.2.1  Sklearn實現
      6.2.2  Spark實現
      6.2.3  TensorFlow實現
      6.2.4  效果總結
  第7章  因子分解機（FM）
    7.1  FM演算法
      7.1.1  FM模型
      7.1.2  FFM模型
      7.1.3  FM模型的網路結構
    7.2  FM實現
      7.2.1  Sklearn實現
      7.2.2  TensorFlow實現
      7.2.3  效果總結
第4部分  推薦系統的排序演算法——樹模型
  第8章  決策樹
    8.1  決策樹演算法
      8.1.1  決策樹模型
      8.1.2  特徵選擇
      8.1.3  決策樹的生成
      8.1.4  決策樹的生成實例
      8.1.5  決策樹的剪枝
    8.2  決策樹的集成演算法
      8.2.1  集成分類器
      8.2.2  隨機森林
      8.2.3  GBDT
    8.3  決策樹集成演算法實例
      8.3.1  Spark實現
      8.3.2  Sklearn實現
      8.3.3  效果總結
  第9章  集成學習
    9.1  GBDT+LR演算法
      9.1.1  背景

      9.1.2  GBDT+LR網路結構
    9.2  深度森林演算法
      9.2.1  深度森林介紹
      9.2.2  級聯森林
      9.2.3  多粒度掃描
    9.3  決策樹集成分類器
    9.4  集成學習實例
      9.4.1  GBDT+LR實現
      9.4.2  深度森林實現
      9.4.3  效果總結
第5部分  推薦系統的排序演算法——深度學習模型
  第10章  深度學習在推薦演算法中的應用
    10.1  推薦模型的特點
    10.2  基於深度學習的推薦模型
      10.2.1  DNN優化高階特徵
      10.2.2  高階特徵交叉與低階特徵交叉
      10.2.3  特徵交叉優化
      10.2.4  特徵連接優化
      10.2.5  高階特徵交叉優化
      10.2.6  多樣性的深度興趣特徵優化
  第11章  DNN演算法
    11.1  人工神經網路演算法
      11.1.1  神經元
      11.1.2  神經網路模型
      11.1.3  信號的前向傳播
      11.1.4  誤差的反向傳播
    11.2  DNN優化方法
      11.2.1  優化參數
      11.2.2  Attention機制
    11.3  DNN實例
    11.4  運行結果
  第12章  Wide & Deep模型
    12.1  Wide & Deep模型概述
      12.1.1  Wide模型
      12.1.2  Deep模型
      12.1.3  模型聯合訓練
    12.2  Wide & Deep系統實現
      12.2.1  推薦系統介紹
      12.2.2  系統流程
      12.2.3  訓練數據的生成
      12.2.4  模型訓練
      12.2.5  線上應用
    12.3  Wide & Deep實例
    12.4  運行結果
  第13章  DeepFM模型
    13.1  DeepFM模型概述
      13.1.1  FM組件
      13.1.2  Deep組件
      13.1.3  模型對比
    13.2  DeepFM模型實例

    13.3  運行結果
  第14章  YouTube的深度神經網路模型
    14.1  YouTube推薦模型
      14.1.1  背景介紹
      14.1.2  召回模型設計
      14.1.3  排序模型設計
    14.2  YouTube實例
    14.3  運行結果
第6部分  推薦系統的演算法實踐
  第15章  實踐——基於電商平台的商品召回
    15.1  背景介紹
    15.2  模型選擇
    15.3  演算法開發
  第16章  實踐——基於邏輯回歸的音樂評分預測
    16.1  背景介紹
    16.2  數據準備
    16.3  特徵處理
    16.4  模型選擇
    16.5  演算法開發
  第17章  實踐——Kaggle競賽之Outbrain點擊率預估
    17.1  背景介紹
    17.2  數據準備
    17.3  特徵處理
    17.4  模型選擇
      17.4.1  FFM
      17.4.2  XGBoost
      17.4.3  集成學習
    17.5  演算法開發
  第18章  實踐——基於深度學習的電商商品點擊率預估
    18.1  背景介紹
    18.2  數據準備
    18.3  特徵處理
    18.4  模型選擇
    18.5  演算法開發
    18.6  運行結果
  第19章  Notebook實踐
    19.1  Sklearn中的LR實踐
    19.2  TensorFlow中的LR實踐
    19.3  Spark中的LR實踐
    19.4  TensorFlow中的FM調試實踐
    19.5  Spark中的協同過濾調試實踐

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032