歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)

推薦系統(tǒng)算法實(shí)踐

作者：黃美靈
出版社：電子工業(yè)出版社出版時(shí)間：2018-03-01
開本： 其他 頁(yè)數(shù)： 356
中 圖 價(jià):¥43.6(4.9折) 定價(jià)  ¥89.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
溫馨提示：5折以下圖書主要為出版社尾貨，大部分為全新（有塑封/無(wú)塑封），個(gè)別圖書品相8-9成新、切口
有劃線標(biāo)記、光盤等附件不全詳細(xì)品相說(shuō)明>>
本類五星書更多>

推薦系統(tǒng)算法實(shí)踐 版權(quán)信息

推薦系統(tǒng)算法實(shí)踐 本書特色

本書主要講解推薦系統(tǒng)中的召回算法和排序算法，以及各個(gè)算法在主流工具Sklearn、Spark、TensorFlow等中的實(shí)現(xiàn)和應(yīng)用。 書中本著循序漸進(jìn)的原則進(jìn)行講解。首先，介紹推薦系統(tǒng)中推薦算法的數(shù)學(xué)基礎(chǔ)，推薦算法的平臺(tái)、工具基礎(chǔ)，以及具體的推薦系統(tǒng)。其次，對(duì)推薦系統(tǒng)中的召回算法進(jìn)行講解，主要包括基于行為相似的協(xié)同過(guò)濾召回和基于內(nèi)容相似的Word2vec 召回，并且介紹其在Spark、TensorFlow 主流工具中的實(shí)現(xiàn)與應(yīng)用。再次，講解推薦系統(tǒng)中的排序算法，包括線性模型、樹模型和深度學(xué)習(xí)模型，分別介紹邏輯回歸、FM、決策樹、隨機(jī)森林、GBDT、GBDT LR、集成學(xué)習(xí)、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(shí)現(xiàn)與應(yīng)用。*后，介紹推薦算法的4 個(gè)實(shí)踐案例，幫助讀者進(jìn)行工程實(shí)踐和應(yīng)用，并且介紹如何在Notebook 上進(jìn)行代碼開發(fā)和算法調(diào)試，以幫助讀者提升工作效率。

推薦系統(tǒng)算法實(shí)踐 內(nèi)容簡(jiǎn)介

本書主要講解推薦系統(tǒng)中的召回算法和排序算法，以及各個(gè)算法在主流工具Sklearn、Spark、TensorFlow等中的實(shí)現(xiàn)和應(yīng)用。 書中本著循序漸進(jìn)的原則進(jìn)行講解。首先，介紹推薦系統(tǒng)中推薦算法的數(shù)學(xué)基礎(chǔ)，推薦算法的平臺(tái)、工具基礎(chǔ)，以及具體的推薦系統(tǒng)。其次，對(duì)推薦系統(tǒng)中的召回算法進(jìn)行講解，主要包括基于行為相似的協(xié)同過(guò)濾召回和基于內(nèi)容相似的Word2vec 召回，并且介紹其在Spark、TensorFlow 主流工具中的實(shí)現(xiàn)與應(yīng)用。再次，講解推薦系統(tǒng)中的排序算法，包括線性模型、樹模型和深度學(xué)習(xí)模型，分別介紹邏輯回歸、FM、決策樹、隨機(jī)森林、GBDT、GBDT+LR、集成學(xué)習(xí)、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(shí)現(xiàn)與應(yīng)用。很后，介紹推薦算法的4 個(gè)實(shí)踐案例，幫助讀者進(jìn)行工程實(shí)踐和應(yīng)用，并且介紹如何在Notebook 上進(jìn)行代碼開發(fā)和算法調(diào)試，以幫助讀者提升工作效率。

推薦系統(tǒng)算法實(shí)踐 目錄

目 錄

第1部分 推薦系統(tǒng)的算法基礎(chǔ)
第1章 數(shù)學(xué)基礎(chǔ) 2
1.1 線性代數(shù) 2
1.2 概率與統(tǒng)計(jì) 5
1.3 損失函數(shù) 7
1.4 優(yōu)化方法 8
1.4.1 SGD 8
1.4.2 動(dòng)量 8
1.4.3 Nesterov動(dòng)量 9
1.4.4 AdaGrad 9
1.4.5 Adam 10
1.4.6 L-BFGS 10
1.4.7 梯度法和牛頓法的比較 11
1.5 評(píng)價(jià)方法 11
1.5.1 混淆矩陣 11
1.5.2 ROC曲線 13
第2章 推薦系統(tǒng)介紹 17
2.1 推薦系統(tǒng)背景 17
2.2 推薦系統(tǒng)的典型案例 18
2.2.1 Amazon推薦 19
2.2.2 Facebook推薦 21
2.2.3 YouTube推薦 22
2.3 推薦系統(tǒng)原理 23
第3章 推薦算法工具 26
3.1 Python Sklearn機(jī)器學(xué)習(xí)庫(kù) 26
3.1.1 Sklearn介紹 26
3.1.2 Sklearn建模流程 27
3.2 Spark MLlib機(jī)器學(xué)習(xí)庫(kù) 28
3.2.1 MLlib介紹 28
3.2.2 MLlib建模流程 29
3.3 TensorFlow 31
3.3.1 TensorFlow介紹 31
3.3.2 TensorFlow建模流程 31
3.4 Notebook介紹 32
3.4.1 Zeppelin Notebook介紹 32
3.4.2 Jupyter Notebook介紹 36
第2部分 推薦系統(tǒng)的召回算法
第4章 協(xié)同過(guò)濾——基于行為相似的召回 40
4.1 協(xié)同過(guò)濾算法 40
4.1.1 協(xié)同過(guò)濾推薦概述 40
4.1.2 用戶評(píng)分 41
4.1.3 相似度計(jì)算 41
4.1.4 推薦計(jì)算 43
4.2 協(xié)同過(guò)濾推薦算法實(shí)現(xiàn) 44
4.2.1 相似度計(jì)算及推薦計(jì)算 47
4.2.2 協(xié)同推薦 54
4.2.3 運(yùn)行結(jié)果 59
第5章 Word2vec——基于內(nèi)容相似的召回 65
5.1 Word2vec算法 65
5.1.1 語(yǔ)言模型 65
5.1.2 CBOW One-Word Context模型 66
5.1.3 CBOW Multi-Word Context 模型 71
5.1.4 Skip-Gram模型 72
5.1.5 Hierarchical Softmax 74
5.1.6 Negative Sampling 74
5.2 Word2vec實(shí)例 75
5.2.1 Spark實(shí)現(xiàn) 75
5.2.2 TensorFlow實(shí)現(xiàn) 80
第3部分 推薦系統(tǒng)的排序算法——線性模型
第6章 邏輯回歸 86
6.1 邏輯回歸算法 86
6.1.1 二元邏輯回歸模型 86
6.1.2 模型參數(shù)估計(jì) 88
6.1.3 多元邏輯回歸模型（Softmax回歸） 88
6.1.4 邏輯回歸的網(wǎng)絡(luò)結(jié)構(gòu) 89
6.1.5 梯度下降算法 90
6.1.6 正則化 91
6.2 邏輯回歸實(shí)現(xiàn) 93
6.2.1 Sklearn實(shí)現(xiàn) 93
6.2.2 Spark實(shí)現(xiàn) 98
6.2.3 TensorFlow實(shí)現(xiàn) 108
6.2.4 效果總結(jié) 114
第7章 因子分解機(jī)（FM） 115
7.1 FM算法 115
7.1.1 FM模型 115
7.1.2 FFM模型 118
7.1.3 FM模型的網(wǎng)絡(luò)結(jié)構(gòu) 119
7.2 FM實(shí)現(xiàn) 120
7.2.1 Sklearn實(shí)現(xiàn) 120
7.2.2 TensorFlow實(shí)現(xiàn) 122
7.2.3 效果總結(jié) 128
第4部分 推薦系統(tǒng)的排序算法——樹模型
第8章 決策樹 130
8.1 決策樹算法 130
8.1.1 決策樹模型 130
8.1.2 特征選擇 131
8.1.3 決策樹的生成 133
8.1.4 決策樹的生成實(shí)例 134
8.1.5 決策樹的剪枝 135
8.2 決策樹的集成算法 136
8.2.1 集成分類器 136
8.2.2 隨機(jī)森林 137
8.2.3 GBDT 137
8.3 決策樹集成算法實(shí)例 139
8.3.1 Spark實(shí)現(xiàn) 139
8.3.2 Sklearn實(shí)現(xiàn) 149
8.3.3 效果總結(jié) 154
第9章 集成學(xué)習(xí) 155
9.1 GBDT LR算法 155
9.1.1 背景 155
9.1.2 GBDT LR網(wǎng)絡(luò)結(jié)構(gòu) 156
9.2 深度森林算法 159
9.2.1 深度森林介紹 159
9.2.2 級(jí)聯(lián)森林 160
9.2.3 多粒度掃描 161
9.3 決策樹集成分類器 162
9.4 集成學(xué)習(xí)實(shí)例 164
9.4.1 GBDT LR實(shí)現(xiàn) 164
9.4.2 深度森林實(shí)現(xiàn) 167
9.4.3 效果總結(jié) 175
第5部分 推薦系統(tǒng)的排序算法——深度學(xué)習(xí)模型
第10章 深度學(xué)習(xí)在推薦算法中的應(yīng)用 178
10.1 推薦模型的特點(diǎn) 178
10.2 基于深度學(xué)習(xí)的推薦模型 179
10.2.1 DNN優(yōu)化高階特征 179
10.2.2 高階特征交叉與低階特征交叉 181
10.2.3 特征交叉優(yōu)化 183
10.2.4 特征連接優(yōu)化 184
10.2.5 高階特征交叉優(yōu)化 185
10.2.6 多樣性的深度興趣特征優(yōu)化 186
第11章 DNN算法 189
11.1 人工神經(jīng)網(wǎng)絡(luò)算法 189
11.1.1 神經(jīng)元 189
11.1.2 神經(jīng)網(wǎng)絡(luò)模型 191
11.1.3 信號(hào)的前向傳播 191
11.1.4 誤差的反向傳播 193
11.2 DNN優(yōu)化方法 195
11.2.1 優(yōu)化參數(shù) 196
11.2.2 Attention機(jī)制 197
11.3 DNN實(shí)例 198
11.4 運(yùn)行結(jié)果 205
第12章 Wide ＆ Deep模型 206
12.1 Wide ＆ Deep模型概述 206
12.1.1 Wide模型 208
12.1.2 Deep模型 209
12.1.3 模型聯(lián)合訓(xùn)練 210
12.2 Wide ＆ Deep系統(tǒng)實(shí)現(xiàn) 211
12.2.1 推薦系統(tǒng)介紹 211
12.2.2 系統(tǒng)流程 212
12.2.3 訓(xùn)練數(shù)據(jù)的生成 213
12.2.4 模型訓(xùn)練 213
12.2.5 線上應(yīng)用 214
12.3 Wide ＆ Deep實(shí)例 214
12.4 運(yùn)行結(jié)果 219
第13章 DeepFM模型 225
13.1 DeepFM模型概述 225
13.1.1 FM組件 226
13.1.2 Deep組件 228
13.1.3 模型對(duì)比 229
13.2 DeepFM模型實(shí)例 231
13.3 運(yùn)行結(jié)果 241
第14章 YouTube的深度神經(jīng)網(wǎng)絡(luò)模型 243
14.1 YouTube推薦模型 243
14.1.1 背景介紹 243
14.1.2 召回模型設(shè)計(jì) 245
14.1.3 排序模型設(shè)計(jì) 250
14.2 YouTube實(shí)例 252
14.3 運(yùn)行結(jié)果 256
第6部分 推薦系統(tǒng)的算法實(shí)踐
第15章 實(shí)踐——基于電商平臺(tái)的商品召回 260
15.1 背景介紹 260
15.2 模型選擇 261
15.3 算法開發(fā) 261
第16章 實(shí)踐——基于邏輯回歸的音樂(lè)評(píng)分預(yù)測(cè) 266
16.1 背景介紹 266
16.2 數(shù)據(jù)準(zhǔn)備 266
16.3 特征處理 268
16.4 模型選擇 270
16.5 算法開發(fā) 271
第17章 實(shí)踐——Kaggle競(jìng)賽之Outbrain點(diǎn)擊率預(yù)估 275
17.1 背景介紹 275
17.2 數(shù)據(jù)準(zhǔn)備 277
17.3 特征處理 283
17.4 模型選擇 284
17.4.1 FFM 285
17.4.2 XGBoost 288
17.4.3 集成學(xué)習(xí) 292
17.5 算法開發(fā) 292
第18章 實(shí)踐——基于深度學(xué)習(xí)的電商商品點(diǎn)擊率預(yù)估 297
18.1 背景介紹 297
18.2 數(shù)據(jù)準(zhǔn)備 298
18.3 特征處理 302
18.4 模型選擇 303
18.5 算法開發(fā) 304
18.6 運(yùn)行結(jié)果 309
第19章 Notebook實(shí)踐 312
19.1 Sklearn中的LR實(shí)踐 312
19.2 TensorFlow中的LR實(shí)踐 316
19.3 Spark中的LR實(shí)踐 321
19.4 TensorFlow中的FM調(diào)試實(shí)踐 327
19.5 Spark中的協(xié)同過(guò)濾調(diào)試實(shí)踐 331
展開全部

推薦系統(tǒng)算法實(shí)踐 作者簡(jiǎn)介

黃美靈 現(xiàn)任一線互聯(lián)網(wǎng)公司的高級(jí)工程師，擁有多年大型互聯(lián)網(wǎng)公司推薦系統(tǒng)和機(jī)器學(xué)習(xí)實(shí)戰(zhàn)經(jīng)驗(yàn)，現(xiàn)從事廣告推薦、應(yīng)用分發(fā)和資訊Feeds流推薦相關(guān)工作。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服