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--飛槳深度學習實戰

  • 作者：編者:薛峰//吳樂//吳志華//張文慧//楊晴虹|責編:黃芝//薛陽
  • 出版社：清華大學
  • ISBN：9787302623755
  • 出版日期：2023/06/01
  • 裝幀：平裝
  • 頁數：248
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書將推薦系統的理論基礎與代碼實踐相結合，內容涵蓋各類非個性化和個性化、經典及先進的推薦演算法，以及工業界推薦系統的基本流程、步驟。本書可以作為各高校相關專業智能推薦系統課程教材，也可以作為技術人員的參考書籍。通過本書，讀者可以掌握推薦系統的基本概念、評價指標，熟悉推薦系統在工業界應用的具體過程，既可以了解基於傳統機器學習的推薦演算法，也可以學習基於深度學習的前沿推薦演算法，本書的最後一章帶領讀者熟悉推薦系統領域的關鍵問題和挑戰。
作者介紹
編者:薛峰//吳樂//吳志華//張文慧//楊晴虹|責編:黃芝//薛陽
目錄
第1章  推薦系統概述
  1.1  推薦系統的背景與價值
    1.1.1  推薦系統的背景
    1.1.2  典型的推薦系統應用
  1.2  推薦系統是如何工作的
    1.2.1  推薦系統的基本任務
    1.2.2  推薦系統的工作過程
    1.2.3  推薦系統的原理
  1.3  推薦系統的歷史與分類
    1.3.1  推薦系統的發展歷史
    1.3.2  推薦演算法的分類
  1.4  推薦系統評測
    1.4.1  推薦系統的評測方法
    1.4.2  推薦系統的評測指標
  參考文獻
第2章  生產環境下的推薦系統
  2.1  推薦系統的業務流程
    2.1.1  推薦總體流程
    2.1.2  召迴環節
    2.1.3  排序環節
    2.1.4  后處理調整
  2.2  推薦系統的主要業務模塊
    2.2.1  數據採集與處理模塊
    2.2.2  特徵工程模塊
    2.2.3  推薦演算法模塊
    2.2.4  用戶交互模塊
  2.3  推薦系統架構設計
    2.3.1  總體業務架構
    2.3.2  數據層
    2.3.3  演算法層
    2.3.4  系統層
  2.4  線上系統的A/B測試
    2.4.1  前端介面
    2.4.2  數據讀取介面
    2.4.3  測試及評估介面
    2.4.4  監控介面
  參考文獻
第3章  機器學習演算法基礎
  3.1  機器學習演算法概述
    3.1.1  機器學習演算法基本過程
    3.1.2  機器學習演算法的分類
  3.2  線性回歸演算法
    3.2.1  線性回歸模型
    3.2.2  線性回歸模型的損失函數
    3.2.3  梯度下降求解線性回歸模型參數的最優值
    3.2.4  線性回歸演算法正則化
    3.2.5  實驗
    3.2.6  線性回歸演算法特點
  3.3  邏輯回歸演算法
    3.3.1  邏輯回歸模型

    3.3.2  邏輯回歸損失函數
    3.3.3  梯度下降求解最優值
    3.3.4  邏輯回歸演算法的正則化
    3.3.5  實驗
    3.3.6  邏輯回歸演算法特點
  3.4  決策樹
    3.4.1  決策樹的結構
    3.4.2  決策樹演算法
    3.4.3  決策樹演算法總結
    3.4.4  基於sklearn的決策樹實驗
  3.5  樸素貝葉斯
    3.5.1  樸素貝葉斯相關的統計學知識
    3.5.2  樸素貝葉斯模型
    3.5.3  總結
    3.5.4  基於sklearn的Naive-Bayes實驗
  3.6  神經網路
    3.6.1  神經元模型
    3.6.2  全連接神經網路
    3.6.3  卷積神經網路
    3.6.4  循環神經網路
    3.6.5  圖神經網路
    3.6.6  實驗評估
  參考文獻
第4章  典型推薦演算法
  4.1  推薦演算法相關知識
    4.1.1  推薦演算法的分類
    4.1.2  推薦系統中的隱式反饋、顯式反饋
    4.1.3  推薦系統中的損失函數
  4.2  非個性化推薦演算法
    4.2.1  基於流行度的推薦方法
    4.2.2  基於關聯規則的推薦方法
  4.3  基於內容的推薦
    4.3.1  基本思想和過程
    4.3.2  一個基於內容推薦的示例
    4.3.3  基於標籤的推薦
  4.4  基於統計（相似度）的方法
    4.4.1  基於用戶的協同過濾
    4.4.2  基於物品的協同過濾
  4.5  基於矩陣分解的個性化推薦
    4.5.1  Matrix Factorization演算法（MF/SVD）
    4.5.2  Bias-SVD演算法
    4.5.3  SVD++演算法
    4.5.4  WR-MF和EALS演算法
  4.6  基於物品的協同過濾
    4.6.1  背景簡介
    4.6.2  SLIM演算法
    4.6.3  FISM演算法
  參考文獻
第5章  點擊率預估演算法
  5.1  推薦系統中的召回和排序過程

    5.1.1  為什麼需要召回和排序環節
    5.1.2  召回、排序環節的典型方法
  5.2  點擊率預測簡介
  5.3  邏輯回歸模型
    5.3.1  背景
    5.3.2  基於LR模型的CTR預測流程
    5.3.3  實驗
  5.4  因式分解機模型
    5.4.1  背景
    5.4.2  FM模型原理
    5.4.3  實驗
  5.5  梯度提升樹模型
    5.5.1  背景
    5.5.2  模型原理
    5.5.3  實驗
  5.6  梯度提升樹+邏輯回歸模型（GBDT+LR）
    5.6.1  背景
    5.6.2  模型原理
    5.6.3  實驗
  5.7  基於深度學習的CTR模型
    5.7.1  模型的記憶能力和泛化能力
    5.7.2  Wide&Deep模型
    5.7.3  DeepFM模型
    5.7.4  xDeepFM模型
    5.7.5  實驗
  5.8  本章小結
  參考文獻
第6章  基於深度學習的推薦演算法
  6.1  為什麼需要深度學習
    6.1.1  推薦演算法應用的挑戰
    6.1.2  深度學習的優勢
  6.2  深度學習與推薦系統的分類
    6.2.1  表徵學習
    6.2.2  交互建模
  6.3  基於深度學習的矩陣分解推薦演算法DeepMF
    6.3.1  背景
    6.3.2  模型原理
    6.3.3  實驗
    6.3.4  模型總結
  6.4  基於深度學習的協同過濾推薦演算法NeuralCF
    6.4.1  背景
    6.4.2  模型原理
    6.4.3  實驗
    6.4.4  模型總結
  6.5  基於深度學習的物品協同過濾演算法DICF
    6.5.1  DICF模型結構
    6.5.2  DICF模型優化
    6.5.3  實驗評估
    6.5.4  DICF模型總結
  6.6  基於GNN的協同過濾演算法

    6.6.1  背景
    6.6.2  模型原理
    6.6.3  實驗
    6.6.4  模型改進
    6.6.5  模型總結
  6.7  基於GNN的混合推薦演算法
    6.7.1  DiffNet模型
    6.7.2  AGCN模型
  6.8  本章小結
  參考文獻
第7章  一個簡易的推薦系統
  7.1  簡易推薦系統需求描述
    7.1.1  數據集準備
    7.1.2  推薦模型準備
    7.1.3  構建在線推薦介面
  7.2  數據集處理
    7.2.1  用戶數據處理
    7.2.2  物品（電影）數據處理
    7.2.3  評分數據處理
    7.2.4  構建數據讀取器
  7.3  基於PaddlePaddle實現的神經網路推薦模型
    7.3.1  用戶特徵向量構造
    7.3.2  電影特徵向量構造
    7.3.3  模型訓練和參數保存
  7.4  模擬在線電影推薦
第8章  推薦系統中的問題與挑戰
  8.1  冷啟動問題
    8.1.1  冷啟動問題定義
    8.1.2  冷啟動解決方法
  8.2  數據稀疏性問題
    8.2.1  數據稀疏問題定義
    8.2.2  數據稀疏問題解決方法
  8.3  推薦可解釋性問題
    8.3.1  可解釋問題定義
    8.3.2  推薦解釋方法
  8.4  大數據處理與增量計算問題
    8.4.1  大數據問題定義
    8.4.2  大數據問題解決方法
  8.5  數據偏差問題
    8.5.1  數據偏差問題定義
    8.5.2  緩解數據偏差的方法
  8.6  其他問題
    8.6.1  時效性問題
    8.6.2  多樣性問題
    8.6.3  用戶意圖檢測問題
  參考文獻

  • 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