[
-
内容大纲
本书循序渐进地讲解了使用Python语言开发推荐系统的核心知识，并通过具体实例的实现过程演练了各个知识点的使用方法和使用流程。全书共12章，包括推荐系统基础知识、基于内容的推荐、协同过滤推荐、混合推荐、基于标签的推荐、基于知识图谱的推荐、基于隐语义模型的推荐、基于神经网络的推荐模型、序列建模和注意力机制、强化推荐学习、实时电影推荐系统开发和服装推荐系统开发。本书内容简洁而不失技术深度，数据资料翔实齐全，并且易于阅读。
本书适合已经了解了Python语言基础语法，想进一步学习推荐系统技术的读者学习，还可作为大专院校相关专业的师生用书和培训学校的参考教材。 -
作者介绍
-
目录
第1章 推荐系统基础知识
1.1 推荐系统简介
1.1.1 推荐系统的应用领域
1.1.2 推荐系统的重要性
1.2 推荐系统和人工智能
1.2.1 机器学习
1.2.2 深度学习
1.2.3 推荐系统与人工智能的关系
1.3 推荐系统算法概览
1.4 推荐系统面临的挑战
1.4.1 用户隐私和数据安全问题
1.4.2 推荐算法的偏见和歧视
1.4.3 推荐系统的社会影响和道德考量
第2章 基于内容的推荐
2.1 文本特征提取
2.1.1 词袋模型
2.1.2 n-gram模型
2.1.3 特征哈希
2.2 TF-IDF（词频逆文档频率）
2.2.1 词频计算
2.2.2 逆文档频率计算
2.2.3 TF-IDF权重计算
2.3 词嵌入（word embedding）
2.3.1 分布式表示方法
2.3.2 使用word2Vec模型
2.3.3 使用GloVe模型
2.4 主题模型（topicmodeling）
2.4.1 潜在语义分析
2.4.2 主题模型的应用
2.5 文本分类和标签提取
2.5.1 传统机器学习方法
2.5.2 卷积神经网络
2.53 循环神经网络
2.6 文本情感分析
2.6.1 机器学习方法
2.6.2 深度学习方法
第3章 协同过滤推荐
3.1 协同过滤推荐介绍
3.2 基于用户的协同过滤
3.2.1 基于用户的协同过滤算法的基本步骤
3.2.2 Python的基于用户的协同过滤算法
3.3 基于物品的协同过滤
3.3.1 计算物品之间的相似度
3.3.2 进行推荐
3.4 基于模型的协同过滤
3.4.1 矩阵分解模型
3.4.2 基于图的模型
3.5 混合型协同过滤
第4章 混合推荐
4.1 特征层面的混合推荐
4.1.1 特征层面混合推荐介绍
4.1.2 用户特征融合
4.1.3 物品特征融合
4.2 模型层面的混合推荐
4.2.1 基于加权融合的模型组合
4.2.2 基于集成学习的模型组合
4.23 基于混合排序的模型组合
4.2.4 基于协同训练的模型组合
4.3 策略层面的混合推荐
4.3.1 动态选择推荐策略
4.3.2 上下文感知的推荐策略
第5章 基于标签的推荐
5.1 标签的获取和处理方法
5.1.1 获取用户的标签
5.1.2 获取物品的标签
5.1.3 标签预处理和特征提取
5.2 标签相似度计算方法
5.2.1 基于标签频次的相似度计算
5.2.2 基于标签共现的相似度计算
5.2.3 基于标签语义的相似度计算
5.3 基于标签的推荐算法
5.3.1 基于用户标签的推荐算法
5.3.2 基于物品标签的推荐算法
5.4 标签推荐系统的评估和优化
5.4.1 评估指标的选择
5.4.2 优化标签推荐效果
第6章 基于知识图谱的推荐
6.1 知识图谱介绍
6.1.1 知识图谱的定义和特点
6.1.2 知识图谱的构建方法
6.1.3 知识图谱与个性化推荐的关系
6.2 知识表示和语义关联
6.2.1 实体和属性的表示
6.2.2 关系的表示和推理
6.2.3 语义关联的计算和衡量
6.3 知识图谱中的推荐算法
6.3.1 基于路径体的推荐算法
6.3.2 基于实体的推荐算法
6.3.3 基于关系的推荐算法
6.3.4 基于知识图谱推理的推荐算法
第7章 基于隐语义模型的推荐
7.1 隐语义模型概述
7.1.1 隐语义模型介绍
7.1.2 隐语义模型在推荐系统中的应用
7.2 潜在语义索引
7.2.1 LSI的基本思想和实现步骤
7.2.2 Python中的潜在语义索引实现
7.3 潜在狄利克雷分配
7.3.1 实现LDA的基本步骤
7.3.2 使用库gensim构建推荐系统
7.4 增强隐语义模型的信息来源
7.4.1 基于内容信息的隐语义模型
7.4.2 时间和上下文信息的隐语义模型
7.4.3 社交网络信息的隐语义模型
第8章 基于神经网络的推荐模型
8.1 深度推荐模型介绍
8.1.1 传统推荐模型的局限性
8.1.2 深度学习在推荐系统中的应用
8.2 基于MLP的推荐模型
8.2.1 基于MLP推荐模型的流程
8.2.2 用户和物品特征的编码
8.3 基于卷积神经网络的推荐模型
8.3.1 卷积神经网络的用户和物品特征的表示
8.3.2 卷积层和池化层的特征提取
8.4 基于循环神经网络的推荐模型
8.4.1 序列数据的建模
8.4.2 历史行为序列的特征提取
第9章 序列建模和注意力机制
9.1 序列建模
9.1.1 使用长短期记忆网络建模
9.1.2 使用门控循环单元建模
9.2 注意力机制
9.2.1 注意力机制介绍
9.2.2 注意力机制在推荐系统中的作用
9.2.3 使用自注意力模型
9.3 使用seq2Seq模型和注意力机制开发翻译系统
9.3.1 Seq2seq模型介绍
9.3.2 使用注意力机制改良seq2seq模型
9.3.3 准备数据集
9.3.4 数据预处理
9.3.5 实现seq2seq模型
9.3.6 训练模型
9.3.7 模型评估
9.3.8 训练和评估
9.3.9 注意力的可视化
第10章 强化推荐学习
10.1 强化学习的基本概念
10.1.1 基本模型和原理
10.1.2 强化学习中的主要要素
10.1.3 网络模型设计
10.1.4 强化学习算法和深度强化学习
10.2 强化学习算法
10.2.1 值迭代算法
10.2.2 Q-learning算法
10.2.3 蒙特卡洛方法算法
10.3 深度Q网络算法
10.4 深度确定性策略梯度算法
10.4.1 DDPG算法的核心思想和基本思路
10.4.2 使用DDPG算法实现推荐系统
10.5 双重深度Q网络算法
10.5.1 双重深度Q网络介绍
10.5.2 基于双重深度Q网络的歌曲推荐系统
10.6 PPO策略优化算法
10.6.1 PPO策略优化算法介绍
10.6.2 使用PPO策略优化算法实现推荐系统
10.7 TRPO算法
10.7.1 TRPO算法介绍
10.7.2 使用TRPO算法实现商品推荐系统
10.8 A3C算法
10.8.1 A3C算法介绍
10.8.2 使用A3C算法训练推荐系统
第11章 实时电影推荐系统开发
11.1 系统介绍
11.1.1 背景介绍
11.1.2 推荐系统和搜索引擎
11.1.3 项目介绍
11.2 系统模块
11.3 数据采集和整理
11.3.1 数据整理
11.3.2 电影详情数据
11.4 情感分析和序列化操作
11.5 Web端实时推荐
11.5.1 Falsk启动页面
11.5.2 模板文件
11.5.3 后端处理
第12章 服装推荐系统开发
12.1 背景介绍
12.2 系统分析
12.2.1 系统介绍
12.2.2 系统功能分析
12.3 准备数据集
12.3.1 产品介绍
12.3.2 数据集介绍
12.4 工具类
12.4.1 读取文件
12.4.2 写入、保存数据
12.5 数据集处理
12.5.1 初步分析
12.5.2 数据清洗
12.5.3 探索性数据分析和特征工程
12.6 实现推荐模型
12.6.1 实现商品推荐和排序
12.6.2 排序模型
12.6.3 基于ResNet的图像推荐模型
12.6.4 训练排名模型
12.6.5 数据处理和特征工程
12.6.6 损失处理
12.6.7 评估处理
12.7 系统主文件
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...