推薦系統實戰寶典

第1部分 推薦系統介紹篇
第1章 推薦系統概述／2
1.1 什麼是推薦系統／2
1.2 推薦系統的架構／3
1.3 推薦系統架構治理／4
1.4 推薦引擎的架構／5
1.5 推薦系統的應用／9
1.5.1 電影和視頻網站／9
1.5.2 個性化音樂電臺／10
1.5.3 個性化廣告及搜索廣告／10
1.5.4 多業務融合推薦策略實踐與思考／11
1.6 推薦系統評測／11
1.6.1 推薦系統實驗方法／12
1.6.2 評測指標／13
1.6.3 評測維度／14
1.7 推薦系統知識儲備／14

第2部分 推薦系統基礎篇
第2章 機器學習準備工作／16
2.1 機器學習緒論／18
2.1.1 資料積累／18
2.1.2 特徵（過濾法、包裝法、嵌入法）／18
2.1.3 模型的不可解釋性／22
2.2 數學基礎知識／23
2.2.1 微積分／23
2.2.2 統計學／29
2.2.3 線性代數／35
2.2.4 資訊理論基礎／36
2.2.5 凸優化／37
2.3 Python程式設計／39
第3章 機器學習基礎——讓推薦系統更懂你／49
3.1 貝葉斯分類器／49
3.1.1 貝葉斯決策論／53
3.1.2 大似然估計／57
3.1.3 EM演算法／59
3.1.4 垃圾郵件過濾實戰／62
3.2 決策樹／65
3.3 支持向量機（SVM）／70
3.3.1 SVM介紹／70
3.3.2 半監督SVM／71
3.4 KNN演算法／71
3.5 線性回歸／73
3.6 邏輯回歸／77
3.7 Spark MLlib／79
3.7.1 Spark MLlib簡介／79
3.7.2 Spark MLlib矩陣計算／80
3.7.3 Spark MLlib實現分類演算法／81
3.7.4 Spark MLlib實現回歸演算法／81
3.7.5 Spark MLlib實現聚類演算法／82
3.8 聚類任務／82
3.8.1 k均值聚類演算法／82
3.8.2 高斯混合聚類／85

第3部分 推薦系統進階篇
第4章 基於點擊率預估、RBM的推薦／94
4.1 傳統推薦演算法的局限和應用／94
4.1.1 傳統推薦演算法的局限／94
4.1.2 傳統推薦演算法的應用／95
4.1.3 點擊率預估在推薦系統中的應用／95
4.2 集成學習（Ensemble Learning）／95
4.2.1 GBDT／96
4.2.2 XgBoost／97
4.2.3 Bagging與隨機森林／98
4.3 實例：基於RBM的推薦演算法／102
第5章 基於標籤的推薦／104
5.1 基於標籤系統的應用／104
5.2 資料標注與關鍵字提取／104
5.2.1 推薦系統中的資料標注／104
5.2.2 推薦系統中的關鍵字提取／105
5.2.3 標籤的分類／106
5.3 基於標籤的推薦系統／106
5.3.1 標籤評分演算法／106
5.3.2 標籤評分演算法改進／107
5.3.3 標籤基因／107
5.3.4 用戶興趣建模／107
5.4 實例：使用標籤推薦演算法實現藝術家的推薦／108
5.4.1 瞭解實現思路／108
5.4.2 準備數據／108
5.4.3 選擇演算法／109
5.4.4 模型訓練／109
5.4.5 效果評估／110
第6章 推薦演算法／112
6.1 基於內容的推薦演算法／112
6.2 基於使用者行為特徵的推薦演算法／113
6.2.1 User-Based CF詳解及優化／114
6.2.2 Item-Based CF詳解及優化／115
6.2.3 融合Match中協同過濾思想的深度排序模型／116
6.3 基於模型的推薦演算法／117
6.4 基於流行度的推薦演算法／118
6.5 混合演算法／119
6.6 基於圖的模型／120
6.6.1 使用者行為資料的二分圖表示／120
6.6.2 基於圖的推薦演算法／121
6.7 基於社交網路的推薦／121
6.7.1 基於鄰域的社會化推薦演算法／121
6.7.2 基於圖的社會化推薦演算法／122
6.8 Slope-one推薦演算法／122
6.9 基於DNN的推薦演算法介紹／123
6.10 基於TF實現稀疏自編碼和在推薦中的應用／124
6.11 聯邦推薦演算法及應用／127
第7章 推薦系統冷開機及召回方法／131
7.1 冷開機問題簡介／131
7.2 選擇合適的物品啟動用戶的興趣／131
7.3 利用物品的內容資訊／132
7.4 Multi-View DNN模型解決使用者冷開機／132

第4部分 推薦系統強化篇
第8章 基於上下文的推薦／134
8.1 基於時間特徵的推薦／134
8.1.1 時間效應介紹／134
8.1.2 推薦系統的即時性／135
8.1.3 協同過濾中的時間因數／135
8.2 實例：增加時間衰減函數的協同過濾演算法／136
8.2.1 在UserCF演算法中增加時間衰減函數／136
8.2.2 在ItemCF演算法中增加時間衰減函數／137
第9章 文本處理／139
9.1 Word2Vec／139
9.1.1 Word2Vec簡介／139
9.1.2 詞向量／141
9.1.3 分層優化語言模型／147
9.1.4 連續詞袋模型／147
9.2 fastText／150
9.2.1 模型架構／150
9.2.2 層次Softmax／151
9.2.3 N-Gram子詞特徵／151
9.2.4 fastText和Word2Vec的區別／152
9.2.5 使用fastText分類／152
9.3 Gensim／154
9.3.1 Gensim基本概念／154
9.3.2 Gensim的安裝及簡單使用／154
9.3.3 主題向量的轉化：TF-IDF（詞頻逆文檔頻率）／156