掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
推薦系統核心技術與實踐 版權信息
- ISBN：9787302681946
- 條形碼：9787302681946 ; 978-7-302-68194-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
推薦系統核心技術與實踐 本書特色
《推薦系統核心技術與實踐》的特色如下：
1. 基于數據的創新：推薦系統突破了傳統的“規則驅動”的模式，將用戶行為轉化為可量化的數據。通過分析用戶的搜索詞向量、推薦歷史、互動記錄等，推薦系統能夠生成個性化推薦，顯著提高了推薦效果。
2. AI技術的應用：書中的混合推薦模型結合了深度學習和傳統的機器學習方法，實時調整推薦策略，精準預測用戶偏好。同時，動態推薦算法能夠根據用戶的實時行為動態優化推薦內容，提升推薦的個性化程度。
3. 深度學習的應用：書中將深度學習用于推薦系統中，通過神經網絡挖掘用戶的行為特征關系，為個性化推薦提供了新的思路，不僅推動了推薦系統的技術發展，還改變了推薦行業的未來方向。
4. 實際應用場景的案例分析：書中通過實際的數據場景進行了詳實的案例分析，展示了推薦系統在推薦行為、用戶偏好和情感表達等方面的全面性應用。這些案例不僅增強了讀者的理解，還為讀者提供了操作參考。
推薦系統核心技術與實踐 內容簡介
"《推薦系統核心技術與實踐》循序漸進地講解了使用Python語言開發推薦系統的核心知識，并通過實例的實現過程演練了各個知識點的使用方法和使用流程。全書共分 12 章，內容包括推薦系統基礎知識介紹、基于內容的推薦、協同過濾推薦、混合推薦、基于標簽的推薦、基于知識圖譜的推薦、基于隱語義模型的推薦、基于神經網絡的推薦模型、序列建模和注意力機制、強化推薦學習、電影推薦系統、動漫推薦系統等。本書內容講解簡潔而不失技術深度，內容豐富全面，用簡練的文字介紹了復雜的案例，易于讀者學習。 《推薦系統核心技術與實踐》適用于已經了解了Python語言基礎語法，想進一步學習機器學習、深度學習、推薦系統技術的讀者，還可以作為高等院校相關專業師生和培訓機構的教材。 "
推薦系統核心技術與實踐推薦系統核心技術與實踐 前言
隨著信息時代的不斷演進，我們日常生活中面臨的選擇越來越多，從電影、音樂、圖書到購物和旅行，每一個領域都有著無盡的選項。在這個信息爆炸的時代，推薦系統成為我們日常生活中不可或缺的一部分，為我們提供了個性化、智能化的指導和建議。本書旨在深入探索推薦系統背后的原理、方法和應用，幫助讀者更好地理解并應用這一領域的知識。本書從推薦系統的基礎知識入手，逐步引導讀者走進推薦系統的世界，深入探討了基于內容、協同過濾、混合推薦、基于標簽和知識圖譜的推薦方法，以及利用強化學習、神經網絡和序列建模等技術不斷拓展推薦系統的邊界。無論您是初學者，還是已經有了一定經驗的從業者，本書都將為您提供有價值的信息和見解。
寫作本書的初衷是幫助那些對推薦系統感興趣的讀者，從一個系統的角度深入了解這一領域。推薦系統不僅是一門技術，更是與我們的日常生活息息相關的智能伙伴。在這個充滿機遇和挑戰的領域，讓我們一同踏上探索推薦系統的旅程，探討智能化未來的可能性。
本書特色
1. 涵蓋推薦系統的多個領域
本書對推薦系統領域的多個關鍵方面進行了深入研究，涵蓋了基礎知識、基于內容的推薦、協同過濾、混合推薦、基于標簽的推薦、基于知識圖譜的推薦、強化學習等多個主題。
推薦系統核心技術與實踐 目錄
第1章 推薦系統基礎知識介紹 1
1.1 推薦系統簡介 2
1.1.1 推薦系統的應用領域 2
1.1.2 推薦系統的重要性 2
1.2 推薦系統和人工智能 3
1.2.1 機器學習 3
1.2.2 深度學習 4
1.2.3 推薦系統與人工智能的關系 4
1.3 推薦系統算法概覽 5
1.4 推薦系統面臨的挑戰 6
1.4.1 用戶隱私和數據安全問題 6
1.4.2 推薦算法的偏見和歧視 7
1.4.3 推薦算法面臨的社會影響和道德考量 8
第2章 基于內容的推薦 9
2.1 文本特征提取 10
2.1.1 詞袋模型 10
2.1.2 n-gram模型 14
2.1.3 特征哈希 16
2.2 TF-IDF(詞頻-逆文檔頻率) 18
2.2.1 詞頻計算 19
2.2.2 逆文檔頻率計算 20
2.2.3 TF-IDF權重計算 22
2.3 詞嵌入 23
2.3.1 分布式表示方法 23
2.3.2 使用Word2Vec模型 24
2.3.3 使用GloVe模型 26
2.4 主題模型 26
2.4.1 潛在語義分析 27
2.4.2 隱含狄利克雷分布 28
2.4.3 主題模型的應用 29
2.5 文本分類和標簽提取 31
2.5.1 傳統機器學習 31
2.5.2 卷積神經網絡 34
2.5.3 循環神經網絡 45
2.6 文本情感分析 48
2.6.1 機器學習方法 48
2.6.2 深度學習方法 50
第3章 協同過濾推薦 57
3.1 協同過濾推薦介紹 58
3.2 基于用戶的協同過濾 58
3.2.1 基于用戶的協同過濾推薦算法的基本步驟 58
3.2.2 使用Python實現基于用戶的協同過濾推薦 59
3.3 基于物品的協同過濾 61
3.3.1 計算物品之間的相似度 61
3.3.2 協同過濾推薦實踐 62
3.4 基于模型的協同過濾 63
3.4.1 矩陣分解模型 64
3.4.2 基于圖的模型 66
3.5 混合型協同過濾 69
第4章 混合推薦 73
4.1 特征層面的混合推薦 74
4.1.1 特征層面混合推薦介紹 74
4.1.2 用戶特征融合 74
4.1.3 物品特征融合 76
4.2 模型層面的混合推薦 78
4.2.1 基于加權融合的模型組合 78
4.2.2 基于集成學習的模型組合 80
4.2.3 基于混合排序的模型組合 82
4.2.4 基于協同訓練的模型組合 86
4.3 策略層面的混合推薦 88
4.3.1 動態選擇推薦策略 88
4.3.2 上下文感知的推薦策略 91
第5章 基于標簽的推薦 101
5.1 標簽的獲取和處理 102
5.1.1 獲取用戶的標簽 102
5.1.2 獲取物品的標簽 104
5.1.3 標簽預處理和特征提取 106
5.2 標簽相似度計算 110
5.2.1 基于標簽頻次的相似度計算 110
5.2.2 基于標簽共現的相似度計算 112
5.2.3 基于標簽語義的相似度計算 118
5.3 基于標簽的推薦算法 119
5.3.1 基于用戶標簽的推薦算法 120
5.3.2 基于物品標簽的推薦算法 123
5.4 標簽推薦系統的評估和優化 125
5.4.1 評估指標的選擇 125
5.4.2 優化標簽推薦效果 126
第6章 基于知識圖譜的推薦 127
6.1 知識圖譜介紹 128
6.1.1 知識圖譜的定義和特點 128
6.1.2 知識圖譜的構建方法 129
6.1.3 知識圖譜與個性化推薦的關系 129
6.2 知識表示和語義關聯 130
6.2.1 實體和屬性的表示 130
6.2.2 關系的表示和推理 132
6.2.3 語義關聯的計算和衡量 134
6.3 知識圖譜中的推薦算法 137
6.3.1 基于路徑的推薦算法 137
6.3.2 基于實體的推薦算法 139
6.3.3 基于關系的推薦算法 142
6.3.4 基于知識圖譜推理的推薦算法 146
第7章 基于隱語義模型的推薦 149
7.1 隱語義模型概述 150
7.1.1 隱語義模型介紹 150
7.1.2 隱語義模型在推薦系統中的應用 151
7.2 潛在語義索引 151
7.2.1 LSI的基本思想和實現步驟 151
7.2.2 使用Python實現潛在語義索引 152
7.3 潛在狄利克雷分配 155
7.3.1 實現LDA的基本步驟 155
7.3.2 使用庫Gensim構建推薦系統 156
7.4 增強隱語義模型的信息來源 159
7.4.1 基于內容信息的隱語義模型 159
7.4.2 時間和上下文信息的隱語義模型 161
7.4.3 社交網絡信息的隱語義模型 163
第8章 基于神經網絡的推薦模型 167
8.1 深度推薦模型介紹 168
8.1.1 傳統推薦模型的局限性 168
8.1.2 深度學習在推薦系統中的應用 168
8.2 基于多層感知器的推薦模型 169
8.2.1 基于MLP推薦模型的流程 169
8.2.2 用戶和物品特征的編碼 170
8.3 基于卷積神經網絡的推薦模型 172
8.3.1 卷積神經網絡的用戶和物品特征的表示 172
8.3.2 卷積層和池化層的特征提取 173
8.4 基于循環神經網絡的推薦模型 177
8.4.1 序列數據的建模 178
8.4.2 歷史行為序列的特征提取 182
8.5 基于自注意力機制的推薦模型 185
8.5.1 自注意力機制介紹 186
8.5.2 使用基于自注意力機制的推薦模型 186
8.6 基于強化學習的推薦模型 190
8.6.1 基于強化學習的推薦模型的構成 190
8.6.2 Q-learning算法 191
8.6.3 深度Q網絡算法介紹 193
第9章 序列建模和注意力機制 203
9.1 序列建模 204
9.1.1 使用長短期記憶網絡建模 204
9.1.2 使用門控循環單元建模 210
9.2 注意力機制 213
9.2.1 注意力機制介紹 213
9.2.2 注意力機制在推薦系統中的作用 214
9.2.3 使用自注意力模型 215
9.3 使用Seq2Seq模型和注意力機制實現翻譯系統 219
9.3.1 Seq2Seq模型介紹 220
9.3.2 使用注意力機制改良Seq2Seq模型 221
9.3.3 準備數據集 222
9.3.4 數據預處理 222
9.3.5 實現Seq2Seq 模型 226
9.3.6 訓練模型 232
9.3.7 模型評估 237
9.3.8 訓練和評估 238
9.3.9 注意力的可視化 240
第10章 強化推薦學習 245
10.1 強化學習的基本概念 246
10.1.1 基本模型和原理 246
10.1.2 強化學習中的要素 247
10.1.3 網絡模型設計 247
10.1.4 強化學習和深度強化學習 248
10.2 強化學習算法 249
10.2.1 值迭代算法 249
10.2.2 蒙特卡洛方法 251
10.3 深度確定性策略梯度算法 253
10.3.1 DDPG算法的核心思想 和基本思路 253
10.3.2 使用DDPG算法實現推薦 系統 254
10.4 雙重深度Q網絡算法 257
10.4.1 雙重深度Q網絡介紹 257
10.4.2 基于雙重深度Q網絡的歌曲 推薦系統 257
10.5 PPO策略優化算法 262
10.5.1 PPO策略優化算法介紹 262
10.5.2 使用PPO策略優化算法實現 推薦系統 263
10.6 TRPO算法 265
10.6.1 TRPO算法介紹 266
10.6.2 使用TRPO算法實現商品 推薦系統 266
10.7 A3C算法 269
10.7.1 A3C算法介紹 269
10.7.2 使用A3C算法訓練推薦 系統 269
第11章 電影推薦系統 273
11.1 系統介紹 274
11.1.1 背景介紹 274
11.1.2 推薦系統和搜索引擎 275
11.1.3 項目介紹 275
11.2 系統模塊 276
11.3 探索性數據分析 277
11.3.1 導入庫文件 277
11.3.2 數據預處理 278
11.3.3 數據可視化 282
11.4 推薦系統 296
11.4.1 混合推薦系統 297
11.4.2 深度學習推薦系統 303
第12章 動漫推薦系統 313
12.1 背景介紹 314
12.1.1 動漫發展現狀 314
12.1.2 動漫未來的發展趨勢 314
12.2 系統分析 315
12.2.1 需求分析 315
12.2.2 系統目標分析 315
12.2.3 系統功能分析 316
12.3 準備數據集 316
12.3.1 動漫信息數據集 317
12.3.2 評分信息數據集 317
12.3.3 導入數據集 317
12.4 數據分析 318
12.4.1 基礎數據探索方法 318
12.4.2 數據集摘要 321
12.4.3 深入挖掘 325
12.4.4 熱門動漫 327
12.4.5 統計動漫類別 328
12.4.6 總體動漫評價 331
12.4.7 基于評分的熱門動漫 334
12.4.8 按類別劃分的動漫評分 分布 335
12.4.9 動漫類型 343
12.4.10 *終數據預處理 345
12.5 推薦系統 346
12.5.1 協同過濾推薦系統 346
12.5.2 基于內容的推薦系統 349
12.6 總結 352
展開全部
推薦系統核心技術與實踐 作者簡介
游雪琪，精通C/java/python/機器學習/大數據等主流開發技術，精通機器學習、深度學習的核心算法，擅長搜索系統的檢索算法，對推薦算法有深入研究。2013-2020年就職于阿里，阿里搜索團隊開發工程師，參與開發了淘寶商品智能檢索系統，為淘寶的智能推薦算法做出了突出貢獻。
書友推薦
- >
李白與唐代文化
- >
詩經-先民的歌唱
- >
月亮與六便士
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
伊索寓言-世界文學名著典藏-全譯本
- >
上帝之肋:男人的真實旅程
- >
史學評論
- >
經典常談
本類暢銷
