第1部分 认知篇
第1章 认识推荐系统
1.1 推荐与推荐系统
1.2 生活中的推荐系统
1.3 推荐系统的特点与价值
1.4 推荐服务
1.5 个性化推荐策略
1.5.1 U2Tag2I策略
1.5.2 U2U2I策略
1.5.3 U2I2I策略
1.5.4 U2I策略
1.6 本章小结
第2章 推荐系统技术实现
2.1 工作原理
2.2 业务流程
2.3 业务功能模块
2.3.1 数据采集
2.3.2 特征工程
2.3.3 推荐算法
2.3.4 推荐服务
2.3.5 效能评价
2.4 推荐系统开发
2.5 本章小结
第2部分 数据篇
第3章 数据提取与特征向量
3.1 特征标签构建流程
3.2 特征标签构建方法
3.3 数据提取
3.4 数据处理
3.4.1 数据统计
3.4.2 数据标准化
3.4.3 数据离散化
3.5 特征编码
3.5.1 类别数据
3.5.2 时间数据
3.5.3 位置数据
3.5.4 文本数据
3.6 本章小结
第4章 构建个性化特征标签
4.1 喜欢度——衡量用户感兴趣的程度
4.2 新闻特征标签
4.2.1 基本特征
4.2.2 类别特征
4.2.3 内容特征
4.2.4 趋势特征
4.2.5 新闻特征向量
4.3 用户特征标签
4.3.1 基本特征
4.3.2 位置特征
4.3.3 兴趣偏好特征
4.3.4 行为特征
4.3.5 价值特征
4.3.6 用户特征向量
4.4 特征相似度计算
4.4.1 欧几里得距离
4.4.2 曼哈顿距离
4.4.3 闵可夫斯基距离
4.4.4 马氏距离
4.4.5 余弦相似度
4.4.6 皮尔逊相关系数
4.4.7 杰卡德相关系数
4.4.8 代码示例
4.5 本章小结
第5章 交叉组合构建新特征
5.1 特征组合
5.1.1 特征拼接
5.1.2 笛卡儿构建
5.1.3 线性组合
5.1.4 多项式特征
5.1.5 代码示例
5.2 特征选择
5.2.1 方差选择
5.2.2 相关选择
5.2.3 卡方检验
5.2.4 主成分分析
5.2.5 树模型选择
5.2.6 代码示例
5.3 本章小结
第3部分 召回篇
第6章 机器学习模型
6.1 机器学习的定义
6.1.1 有监督学习
6.1.2 无监督学习
6.2 数据集
6.2.1 常用公开数据集
6.2.2 在线构建数据集
6.2.3 数据集划分
6.2.4 生成训练集
6.3 模型训练
6.4 模型保存
6.5 模型评价
6.5.1 分类模型评价
6.5.2 回归模型评价
6.5.3 代码示例
6.6 模型上线
6.7 本章小结
第7章 基于新闻热度的推荐召回
7.1 新闻热度
7.2 热门推荐算法
7.3 代码示例
7.4 本章小结
第8章 基于内容的推荐召回
8.1 商品内容
8.2 KNN算法模型
8.2.1 KNN发现
8.2.2 KNN算法改进
8.3 代码示例
8.4 本章小结
第9章 基于标签的推荐召回
9.1 认识标签
9.2 标签推荐算法
9.3 升级标签推荐算法
9.4 代码示例
9.5 本章小结
第10章 协同过滤推荐召回
10.1 UserCF算法
10.1.1 算法原理
10.1.2 代码示例
10.2 ItemCF算法
10.2.1 算法原理
10.2.2 代码示例
10.3 本章小结
第11章 基于矩阵分解的推荐召回
11.1 数学知识
11.2 SVD推荐算法
11.3 代码示例
11.4 本章小结
第12章 基于LFM的推荐召回
12.1 LFM概述
12.2 LFM推荐算法
12.3 代码示例
12.4 本章小结
第13章 多路召回融合策略
13.1 多路召回策略
13.2 融合策略
13.2.1 顺序融合
13.2.2 平均加权融合
13.2.3 加权融合
13.2.4 动态加权融合
13.3 代码示例
13.4 本章小结
第4部分 排序篇
第14章 线性模型排序算法
14.1 回归模型
14.2 线性回归模型
14.3 逻辑回归模型
14.3.1 算法模型
14.3.2 模型参数估计
14.3.3 代码示例
14.4 本章小结
第15章 LR-GBDT模型排序算法
15.1 CART决策树
15.2 集成学习模型
15.2.1 Bagging算法
15.2.2 Boosting算法
15.2.3 Stacking算法
15.3 GBDT模型
15.4 LR-GBDT模型
15.4.1 模型算法推导
15.4.2 代码示例
15.5 本章小结
第16章 深度学习模型排序算法
16.1 神经元
16.2 ANN模型
16.3 模型训练
16.3.1 正向传递
16.3.2 反向传递
16.4 模型优化
16.4.1 梯度优化算法
16.4.2 Batch归一化
展开
