推荐系统实战宝典

1. 内容实用：以推荐系统开发工程师的视角讲解算法知识和实操流程，同时包含了推荐算法的全新思想（如融合Match中协同过滤思想的深度排序模型）。 2. 资源丰富：附赠113段、超过1100分钟的高清视频教程和全部案例的源代码。

《推荐系统实战宝典》主要围绕推荐系统进行讲解，全面介绍了掌握推荐系统技术所需要学习的算法及步骤。书中描述了基于点击率评估、RBM的推荐，基于标签的推荐，基于用户行为、内容、模型、流行度、邻域、图的推荐，以及基于上下文的推荐，还有使用自然语言处理或者矩阵分解的推荐，包括算法原理的介绍，对于每一种推荐方式也做了细粒度的分析及场景化的应用。还分享了作者在实际应用中的解决方案及扩展思路。除此之外，本书还会涉及一些基础算法及数学知识，并且包括对于推荐算法的一些模型评估以及校验的描述。阅读本书可以帮助读者学习基础算法和推荐算法的原理及实际应用，同时还能学习到推荐系统开发的设计思想、设计模式、开发流程等。这些对于读者全面提高自己的推荐系统开发水平有很大的帮助。
《推荐系统实战宝典》为读者提供了全部案例源代码下载和超过1100分钟的高清学习视频，读者可直接扫描二维码观看。
《推荐系统实战宝典》适合从事推荐系统相关领域研发的人员、高年级本科生或研究生、热衷于推荐系统开发的读者阅读。

吕倩倩，女，2018年毕业于沈阳航空航天大学软件工程专业，获工学学士学位。原商品交易所大数据开发工程师，现任花旗银行大数据开发工程师。2015年获得ACM-ICPC大赛三等奖；2016年获得美国数学建模竞赛一等奖、亚太数学建模二等奖，并多次获得全国大学生数学建模竞赛一等奖、二等奖；2018年获得阿里云ACA认证证书。

扩展阅读视频列表
前言
第1部分推荐系统介绍篇
第1章推荐系统概述/2
1.1什么是推荐系统/2
1.2推荐系统的架构/3
1.3推荐系统架构治理/4
1.4推荐引擎的架构/5
1.5推荐系统的应用/9
1.5.1电影和视频网站/9
1.5.2个性化音乐电台/10
1.5.3个性化广告及搜索广告/10
1.5.4多业务融合推荐策略实践与思考/11
1.6推荐系统评测/11
1.6.1推荐系统实验方法/12
1.6.2评测指标/13
1.6.3评测维度/14
1.7推荐系统知识储备/14
第2部分推荐系统基础篇
第2章机器学习准备工作/16
2.1机器学习绪论/18
2.1.1数据积累/18
2.1.2特征（过滤法、包装法、嵌入法）/18
2.1.3模型的不可解释性/22
2.2数学基础知识/23
2.2.1微积分/23
2.2.2统计学/29
2.2.3线性代数/35
2.2.4信息论基础/36
2.2.5凸优化/37
2.3Python编程/39
第3章机器学习基础——让推荐系统更懂你/49
3.1贝叶斯分类器/49
3.1.1贝叶斯决策论/53
3.1.2大似然估计/57
3.1.3EM算法/59
3.1.4垃圾邮件过滤实战/62
3.2决策树/65
3.3支持向量机（SVM）/70
3.3.1SVM介绍/70
3.3.2半监督SVM/71
3.4KNN算法/71
3.5线性回归/73
3.6逻辑回归/77
3.7SparkMLlib/79
3.7.1SparkMLlib简介/79
3.7.2SparkMLlib矩阵计算/80
3.7.3SparkMLlib实现分类算法/81
3.7.4SparkMLlib实现回归算法/81
3.7.5SparkMLlib实现聚类算法/82
3.8聚类任务/82
3.8.1k均值聚类算法/82
3.8.2高斯混合聚类/85
第3部分推荐系统进阶篇
第4章基于点击率预估、RBM的推荐/94
4.1传统推荐算法的局限和应用/94
4.1.1传统推荐算法的局限/94
4.1.2传统推荐算法的应用/95
4.1.3点击率预估在推荐系统中的应用/95
4.2集成学习（EnsembleLearning）/95
4.2.1GBDT/96
4.2.2XgBoost/97
4.2.3Bagging与随机森林/98
4.3实例：基于RBM的推荐算法/102
第5章基于标签的推荐/104
5.1基于标签系统的应用/104
5.2数据标注与关键词提取/104
5.2.1推荐系统中的数据标注/104
5.2.2推荐系统中的关键词提取/105
5.2.3标签的分类/106
5.3基于标签的推荐系统/106
5.3.1标签评分算法/106
5.3.2标签评分算法改进/107
5.3.3标签基因/107
5.3.4用户兴趣建模/107
5.4实例：使用标签推荐算法实现艺术家的推荐/108
5.4.1了解实现思路/108
5.4.2准备数据/108
5.4.3选择算法/109
5.4.4模型训练/109
5.4.5效果评估/110
第6章推荐算法/112
6.1基于内容的推荐算法/112
6.2基于用户行为特征的推荐算法/113
6.2.1User-BasedCF详解及优化/114
6.2.2Item-BasedCF详解及优化/115
6.2.3融合Match中协同过滤思想的深度排序模型/116
6.3基于模型的推荐算法/117
6.4基于流行度的推荐算法/118
6.5混合算法/119
6.6基于图的模型/120
6.6.1用户行为数据的二分图表示/120
6.6.2基于图的推荐算法/121
6.7基于社交网络的推荐/121
6.7.1基于邻域的社会化推荐算法/121
6.7.2基于图的社会化推荐算法/122
6.8Slope-one推荐算法/122
6.9基于DNN的推荐算法介绍/123
6.10基于TF实现稀疏自编码和在推荐中的应用/124
6.11联邦推荐算法及应用/127
第7章推荐系统冷启动及召回方法/131
7.1冷启动问题简介/131
7.2选择合适的物品启动用户的兴趣/131
7.3利用物品的内容信息/132
7.4Multi-ViewDNN模型解决用户冷启动/132
第4部分推荐系统强化篇
第8章基于上下文的推荐/134
8.1基于时间特征的推荐/134
8.1.1时间效应介绍/134
8.1.2推荐系统的实时性/135
8.1.3协同过滤中的时间因子/135
8.2实例：增加时间衰减函数的协同过滤算法/136
8.2.1在UserCF算法中增加时间衰减函数/136
8.2.2在ItemCF算法中增加时间衰减函数/137
第9章文本处理/139
9.1Word2Vec/139
9.1.1Word2Vec简介/139
9.1.2词向量/141
9.1.3分层优化语言模型/147
9.1.4连续词袋模型/147
9.2fastText/150
9.2.1模型架构/150
9.2.2层次Softmax/151
9.2.3N-Gram子词特征/151
9.2.4fastText和Word2Vec的区别/152
9.2.5使用fastText分类/152
9.3Gensim/154
9.3.1Gensim基本概念/154
9.3.2Gensim的安装及简单使用/154
9.3.3主题向量的转化：TF-IDF（词频逆文档频率）/156
……