推荐系统算法实践 PDF下载

目 录 

第1部分 推荐系统的算法基础 
第1章 数学基础 2 
1.1 线性代数 2 
1.2 概率与统计 5 
1.3 损失函数 7 
1.4 优化方法 8 
1.4.1 SGD 8 
1.4.2 动量 8 
1.4.3 Nesterov动量 9 
1.4.4 AdaGrad 9 
1.4.5 Adam 10 
1.4.6 L-BFGS 10 
1.4.7 梯度法和牛顿法的比较 11 
1.5 评价方法 11 
1.5.1 混淆矩阵 11 
1.5.2 ROC曲线 13 
第2章 推荐系统介绍 17 
2.1 推荐系统背景 17 
2.2 推荐系统的典型案例 18 
2.2.1 Amazon推荐 19 
2.2.2 Facebook推荐 21 
2.2.3 YouTube推荐 22 
2.3 推荐系统原理 23 
第3章 推荐算法工具 26 
3.1 Python Sklearn机器学习库 26 
3.1.1 Sklearn介绍 26 
3.1.2 Sklearn建模流程 27 
3.2 Spark MLlib机器学习库 28 
3.2.1 MLlib介绍 28 
3.2.2 MLlib建模流程 29 
3.3 TensorFlow 31 
3.3.1 TensorFlow介绍 31 
3.3.2 TensorFlow建模流程 31 
3.4 Notebook介绍 32 
3.4.1 Zeppelin Notebook介绍 32 
3.4.2 Jupyter Notebook介绍 36 
第2部分 推荐系统的召回算法 
第4章 协同过滤——基于行为相似的召回 40 
4.1 协同过滤算法 40 
4.1.1 协同过滤推荐概述 40 
4.1.2 用户评分 41 
4.1.3 相似度计算 41 
4.1.4 推荐计算 43 
4.2 协同过滤推荐算法实现 44 
4.2.1 相似度计算及推荐计算 47 
4.2.2 协同推荐 54 
4.2.3 运行结果 59 
第5章 Word2vec——基于内容相似的召回 65 
5.1 Word2vec算法 65 
5.1.1 语言模型 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实例 75 
5.2.1 Spark实现 75 
5.2.2 TensorFlow实现 80 
第3部分 推荐系统的排序算法——线性模型 
第6章 逻辑回归 86 
6.1 逻辑回归算法 86 
6.1.1 二元逻辑回归模型 86 
6.1.2 模型参数估计 88 
6.1.3 多元逻辑回归模型（Softmax回归） 88 
6.1.4 逻辑回归的网络结构 89 
6.1.5 梯度下降算法 90 
6.1.6 正则化 91 
6.2 逻辑回归实现 93 
6.2.1 Sklearn实现 93 
6.2.2 Spark实现 98 
6.2.3 TensorFlow实现 108 
6.2.4 效果总结 114 
第7章 因子分解机（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模型的网络结构 119 
7.2 FM实现 120 
7.2.1 Sklearn实现 120 
7.2.2 TensorFlow实现 122 
7.2.3 效果总结 128 
第4部分 推荐系统的排序算法——树模型 
第8章 决策树 130 
8.1 决策树算法 130 
8.1.1 决策树模型 130 
8.1.2 特征选择 131 
8.1.3 决策树的生成 133 
8.1.4 决策树的生成实例 134 
8.1.5 决策树的剪枝 135 
8.2 决策树的集成算法 136 
8.2.1 集成分类器 136 
8.2.2 随机森林 137 
8.2.3 GBDT 137 
8.3 决策树集成算法实例 139 
8.3.1 Spark实现 139 
8.3.2 Sklearn实现 149 
8.3.3 效果总结 154 
第9章 集成学习 155 
9.1 GBDT LR算法 155 
9.1.1 背景 155 
9.1.2 GBDT LR网络结构 156 
9.2 深度森林算法 159 
9.2.1 深度森林介绍 159 
9.2.2 级联森林 160 
9.2.3 多粒度扫描 161 
9.3 决策树集成分类器 162 
9.4 集成学习实例 164 
9.4.1 GBDT LR实现 164 
9.4.2 深度森林实现 167 
9.4.3 效果总结 175 
第5部分 推荐系统的排序算法——深度学习模型 
第10章 深度学习在推荐算法中的应用 178 
10.1 推荐模型的特点 178 
10.2 基于深度学习的推荐模型 179 
10.2.1 DNN优化高阶特征 179 
10.2.2 高阶特征交叉与低阶特征交叉 181 
10.2.3 特征交叉优化 183 
10.2.4 特征连接优化 184 
10.2.5 高阶特征交叉优化 185 
10.2.6 多样性的深度兴趣特征优化 186 
第11章 DNN算法 189 
11.1 人工神经网络算法 189 
11.1.1 神经元 189 
11.1.2 神经网络模型 191 
11.1.3 信号的前向传播 191 
11.1.4 误差的反向传播 193 
11.2 DNN优化方法 195 
11.2.1 优化参数 196 
11.2.2 Attention机制 197 
11.3 DNN实例 198 
11.4 运行结果 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 模型联合训练 210 
12.2 Wide ＆ Deep系统实现 211 
12.2.1 推荐系统介绍 211 
12.2.2 系统流程 212 
12.2.3 训练数据的生成 213 
12.2.4 模型训练 213 
12.2.5 线上应用 214 
12.3 Wide ＆ Deep实例 214 
12.4 运行结果 219 
第13章 DeepFM模型 225 
13.1 DeepFM模型概述 225 
13.1.1 FM组件 226 
13.1.2 Deep组件 228 
13.1.3 模型对比 229 
13.2 DeepFM模型实例 231 
13.3 运行结果 241 
第14章 YouTube的深度神经网络模型 243 
14.1 YouTube推荐模型 243 
14.1.1 背景介绍 243 
14.1.2 召回模型设计 245 
14.1.3 排序模型设计 250 
14.2 YouTube实例 252 
14.3 运行结果 256 
第6部分 推荐系统的算法实践 
第15章 实践——基于电商平台的商品召回 260 
15.1 背景介绍 260 
15.2 模型选择 261 
15.3 算法开发 261 
第16章 实践——基于逻辑回归的音乐评分预测 266 
16.1 背景介绍 266 
16.2 数据准备 266 
16.3 特征处理 268 
16.4 模型选择 270 
16.5 算法开发 271 
第17章 实践——Kaggle竞赛之Outbrain点击率预估 275 
17.1 背景介绍 275 
17.2 数据准备 277 
17.3 特征处理 283 
17.4 模型选择 284 
17.4.1 FFM 285 
17.4.2 XGBoost 288 
17.4.3 集成学习 292 
17.5 算法开发 292 
第18章 实践——基于深度学习的电商商品点击率预估 297 
18.1 背景介绍 297 
18.2 数据准备 298 
18.3 特征处理 302 
18.4 模型选择 303 
18.5 算法开发 304 
18.6 运行结果 309 
第19章 Notebook实践 312 
19.1 Sklearn中的LR实践 312 
19.2 TensorFlow中的LR实践 316 
19.3 Spark中的LR实践 321 
19.4 TensorFlow中的FM调试实践 327 
19.5 Spark中的协同过滤调试实践 331