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

推薦系統實戰寶典

  • 作者：編者:呂倩倩//陳欣//楚秦|責編:張淑謙//陳崇昱
  • 出版社：機械工業
  • ISBN：9787111713531
  • 出版日期：2022/09/01
  • 裝幀：平裝
  • 頁數：269
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要圍繞推薦系統進行講解，全面介紹了掌握推薦系統技術所需要學習的演算法及步驟。書中描述了基於點擊率評估、RBM的推薦，基於標籤的推薦，基於用戶行為、內容、模型、流行度、鄰域、圖的推薦，以及基於上下文的推薦，還有使用自然語言處理或者矩陣分解的推薦，包括演算法原理的介紹，對於每一種推薦方式也做了細粒度的分析及場景化的應用。還分享了作者在實際應用中的解決方案及擴展思路。除此之外，本書還會涉及一些基礎演算法及數學知識，並且包括對於推薦演算法的一些模型評估以及校驗的描述。閱讀本書可以幫助讀者學習基礎演算法和推薦演算法的原理及實際應用，同時還能學習到推薦系統開發的設計思想、設計模式、開發流程等。這些對於讀者全面提高自己的推薦系統開發水平有很大的幫助。
    本書為讀者提供了全部案例源代碼下載和超過1100分鐘的高清學習視頻，讀者可直接掃描二維碼觀看。
    本書適合從事推薦系統相關領域研發的人員、高年級本科生或研究生、熱衷於推薦系統開發的讀者閱讀。
作者介紹
編者:呂倩倩//陳欣//楚秦|責編:張淑謙//陳崇昱
目錄
第1部分  推薦系統介紹篇
  第1章  推薦系統概述
    1.1  什麼是推薦系統
    1.2  推薦系統的架構
    1.3  推薦系統架構治理
    1.4  推薦引擎的架構
    1.5  推薦系統的應用
      1.5.1  電影和視頻網站
      1.5.2  個性化音樂電台
      1.5.3  個性化廣告及搜索廣告
      1.5.4  多業務融合推薦策略實踐與思考
    1.6  推薦系統評測
      1.6.1  推薦系統實驗方法
      1.6.2  評測指標
      1.6.3  評測維度
    1.7  推薦系統知識儲備
第2部分  推薦系統基礎篇
  第2章  機器學習準備工作
    2.1  機器學習緒論
      2.1.1  數據積累
      2.1.2  特徵（過濾法、包裝法、嵌入法）
      2.1.3  模型的不可解釋性
    2.2  數學基礎知識
      2.2.1  微積分
      2.2.2  統計學
      2.2.3  線性代數
      2.2.4  資訊理論基礎
      2.2.5  凸優化
    2.3  Python編程
  第3章  機器學習基礎——讓推薦系統更懂你
    3.1  貝葉斯分類器
      3.1.1  貝葉斯決策論
      3.1.2  大似然估計
      3.1.3  EM演算法
      3.1.4  垃圾郵件過濾實戰
    3.2  決策樹
    3.3  支持向量機（SVM）
      3.3.1  SVM介紹
      3.3.2  半監督SVM
    3.4  KNN演算法
    3.5  線性回歸
    3.6  邏輯回歸
    3.7  Spark MLlib
      3.7.1  Spark MLlib簡介
      3.7.2  Spark MLlib矩陣計算
      3.7.3  Spark MLlib實現分類演算法
      3.7.4  Spark MLlib實現回歸演算法
      3.7.5  Spark MLlib實現聚類演算法
    3.8  聚類任務
      3.8.1  k均值聚類演算法

      3.8.2  高斯混合聚類
第3部分  推薦系統進階篇
  第4章  基於點擊率預估、RBM的推薦
    4.1  傳統推薦演算法的局限和應用
      4.1.1  傳統推薦演算法的局限
      4.1.2  傳統推薦演算法的應用
      4.1.3  點擊率預估在推薦系統中的應用
    4.2  集成學習（Ensemble Learning）
      4.2.1  GBDT
      4.2.2  XgBoost
      4.2.3  Bagging與隨機森林
    4.3  實例：基於RBM的推薦演算法
  第5章  基於標籤的推薦
    5.1  基於標籤系統的應用
    5.2  數據標注與關鍵詞提取
      5.2.1  推薦系統中的數據標注
      5.2.2  推薦系統中的關鍵詞提取
      5.2.3  標籤的分類
    5.3  基於標籤的推薦系統
      5.3.1  標籤評分演算法
      5.3.2  標籤評分演算法改進
      5.3.3  標籤基因
      5.3.4  用戶興趣建模
    5.4  實例：使用標籤推薦演算法實現藝術家的推薦
      5.4.1  了解實現思路
      5.4.2  準備數據
      5.4.3  選擇演算法
      5.4.4  模型訓練
      5.4.5  效果評估
  第6章  推薦演算法
    6.1  基於內容的推薦演算法
    6.2  基於用戶行為特徵的推薦演算法
      6.2.1  User-Based CF詳解及優化
      6.2.2  Item-Based CF詳解及優化
      6.2.3  融合Match中協同過濾思想的深度排序模型
    6.3  基於模型的推薦演算法
    6.4  基於流行度的推薦演算法
    6.5  混合演算法
    6.6  基於圖的模型
      6.6.1  用戶行為數據的二分圖表示
      6.6.2  基於圖的推薦演算法
    6.7  基於社交網路的推薦
      6.7.1  基於鄰域的社會化推薦演算法
      6.7.2  基於圖的社會化推薦演算法
    6.8  Slope-one推薦演算法
    6.9  基於DNN的推薦演算法介紹
    6.10  基於TF實現稀疏自編碼和在推薦中的應用
    6.11  聯邦推薦演算法及應用
  第7章  推薦系統冷啟動及召回方法
    7.1  冷啟動問題簡介

    7.2  選擇合適的物品啟動用戶的興趣
    7.3  利用物品的內容信息
    7.4  Multi-View DNN模型解決用戶冷啟動
第4部分  推薦系統強化篇
  第8章  基於上下文的推薦
    8.1  基於時間特徵的推薦
      8.1.1  時間效應介紹
      8.1.2  推薦系統的實時性
      8.1.3  協同過濾中的時間因子
    8.2  實例：增加時間衰減函數的協同過濾演算法
      8.2.1  在UserCF演算法中增加時間衰減函數
      8.2.2  在ItemCF演算法中增加時間衰減函數
  第9章  文本處理
    9.1  Word2Vec
      9.1.1  Word2Vec簡介
      9.1.2  詞向量
      9.1.3  分層優化語言模型
      9.1.4  連續詞袋模型
    9.2  fastText
      9.2.1  模型架構
      9.2.2  層次Softmax
      9.2.3  N-Gram子詞特徵
      9.2.4  fastText和Word2Vec的區別
      9.2.5  使用fastText分類
    9.3  Gensim
      9.3.1  Gensim基本概念
      9.3.2  Gensim的安裝及簡單使用
      9.3.3  主題向量的轉化：TF-IDF（詞頻逆文檔頻率）
      9.3.4  主題向量的轉化：LSA（潛在語義分析）
      9.3.5  主題向量的轉化：LDA（隱含狄利克雷分配）
    9.4  NLTK
      9.4.1  NLTK的介紹
      9.4.2  NLTK的安裝及信息提取
  第10章  使用矩陣分解的推薦
    10.1  Spark ALS
      10.1.1  Spark ALS原理
      10.1.2  Spark ALS實現協同過濾
    10.2  暗示學習法implicit
    10.3  libFM
      10.3.1  libFM的介紹
      10.3.2  libFM的源碼剖析
    10.4  SVD演算法
      10.4.1  SVD演算法的介紹
      10.4.2  基於SVD演算法的推薦系統實現
  第11章  推薦模型評估與選擇
    11.1  經驗誤差與泛化誤差
    11.2  評估方法
      11.2.1  留出法
      11.2.2  交叉驗證法
      11.2.3  自助法

      11.2.4  調參與終模型
    11.3  性能度量
      11.3.1  錯誤率與精度
      11.3.2  精確率、召回率
      11.3.3  ROC曲線與AUC
      11.3.4  為什麼推薦場景用AUC來評價模型
      11.3.5  代價敏感錯誤率與代價曲線
      11.3.6  從極大似然到對數損失和交叉熵損失函數
    11.4  比較檢驗
      11.4.1  假設檢驗
      11.4.2  交叉驗證t檢驗
      11.4.3  McNemar檢驗
      11.4.4  Friedman檢驗與後續檢驗
    11.5  偏差與方差
    11.6  準確率
    11.7  分類實例
    11.8  模型評估實例
第5部分  推薦系統實戰篇
  第12章  搭建一個簡易版的生產環境推薦系統
    12.1  推薦系統的作用
    12.2  依賴準備
    12.3  構建矩陣
  第13章  新聞資訊推薦系統開發
    13.1  基於Python的數據爬取
    13.2  基於協同過濾的用戶推薦演算法
      13.2.1  ItemCF演算法
      13.2.2  UserCF演算法
      13.2.3  Apriori演算法
      13.2.4  FpGrowth演算法
    13.3  基於協同過濾的用戶推薦演算法優化
    13.4  推薦系統的用戶行為產生模塊設計
  第14章  電影推薦系統開發
    14.1  MovieLens數據集
    14.2  TensorFlow構建神經網路
    14.3  構建計算圖並訓練
    14.4  Django框架展示
  第15章  基於hbase+spark的廣告精準投放及推薦系統開發
    15.1  模擬廣告投放模塊
    15.2  矩陣處理
    15.3  使用kafka produce和consumer對接spark streaming
    15.4  使用hbase提取保存標籤
  第16章  基於推薦功能的搜索引擎開發
    16.1  數據爬取模塊
    16.2  Mongodb以及redis存儲數據模塊
    16.3  基於相似度演算法的推薦模塊
    16.4  Web框架設計
  第17章  基於卷積神經網路提取特徵構建推薦系統
    17.1  卷積神經網路模型構建及提取文本特徵
    17.2  PMF模型構建並且融合PMF進行推薦

  • 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