動手學推薦系統：基於PyTorch的算法實現（微課視頻版）

第1章 系統的初步瞭解（28min）
1.1 什麼是 系統
1.2 系統的由來
1.2.1 Tapestry
1.2.2 GroupLens
1.3 系統的概況
1.4算法的概況
參考文獻

第2章 基礎算法（398min）
2.1 協同過濾
2.2 基礎近鄰指標
2.2.1 CN相似度
2.2.2 Jaccard相似度
2.2.3 Cos相似度
2.2.4 Pearson相似度
2.2.5 Pearson相似度與Cos相似度之間的聯繫
2.3 基於近鄰的協同過濾算法
2.3.1 UserCF
2.3.2 行為相似與內容相似的區別
2.3.3 ItemCF
2.3.4 實戰：UserCF
2.3.5 實戰：ItemCF
2.3.6 實戰：標注為1～5的評分
2.4模型評估：入門篇
2.4.1 廣義的準確率、 率、召回率
2.4.2 系統的準確率、 率、召回率
2.4.3 列表評測
2.4.4 對近鄰協同過濾模型進行評測
2.5 進階近鄰指標
2.5.1 User-IIF與Item-IUF
2.5.2 高效地利用流行度定義近鄰指標
2.5.3 自訂相似度指標的範式
2.6 矩陣分解協同過濾算法
2.6.1 SVD矩陣分解
2.6.2 將SVD用作
2.6.3 LFM隱因數模型
2.6.4 ALS代碼實現
2.6.5模型評估：MSE、RMSE、MAE
2.6.6 以深度學習端到端訓練思維理解ALS
2.6.7 ALS代碼實現PyTorch版
2.7 邏輯回歸出發的算法
2.7.1 顯式回饋與隱式回饋
2.7.2 邏輯回歸
2.7.3 POLY2
2.7.4 FM
2.7.5 以深度學習端到端訓練思維理解FM
2.8 本章總結
2.8.13 個重要算法：近鄰協同過濾、ALS、FM
2.8.2 協同過濾算法總結
參考文獻

第3章 進階算法（351min）
3.1 神經網路算法推導範式
3.1.1 ALS+MLP
3.1.2 特徵向量+MLP
3.1.3 結合CNN的
3.1.4 結合RNN的
3.1.5 ALS結合RNN
3.1.6 聯合訓練的RNN
3.1.7 小節總結
3.2 FM在深度學習中的應用
3.2.1 FNN
3.2.2 改進後的FNN
3.2.3 Wide & Deep
3.2.4 DeepFM
3.2.5 AFM
3.2.6 小節總結
3.3 序列算法
3.3.1 基本序列模型
3.3.2 DIN與注意力計算方式
3.3.3 從PReLU到Dice啟動函數
3.3.4 DIEN類比興趣演化的序列網路
3.4 Transformer在算法中的應用
3.4.1 從 角度初步瞭解Transformer
3.4.2 多頭注意力與縮放點乘注意力算法
3.4.3 殘差
3.4.4 Layer Normalization
3.4.5 前饋神經網路層
3.4.6 位置編碼
3.4.7 Transformer Encoder
3.4.8 利用Transformer編碼器的算法BST
3.4.9 Transformer Decoder
3.4.10 結合Transformer解碼器的算法推導
3.5 本章總結
參考文獻

第4章 圖神經網路與算法（275min）
4.1 圖論基礎
4.1.1 什麼是圖
4.1.2 無向圖與有向圖
4.1.3 無權圖與有權圖
4.1.4 同構圖與異構圖
4.1.5 圖的表示：鄰接矩陣
4.1.6 圖的表示：鄰接列表
4.1.7 圖的表示：邊集
4.1.8 鄰居與度
4.1.9 結構特徵、節點特徵、邊特徵
4.1.10 處理圖的Python庫
4.2 基於圖的基礎 方式
4.2.1 鏈路預測（Link Prediction）
4.2.2 什麼是路徑
4.2.3 基於路徑的基礎鏈路預測
4.2.4 圖遊走算法DeepWalk
4.2.5 圖遊走算法Node2Vec
4.3 圖神經網路
4.3.1 GCN圖卷積網路
4.3.2 GAT圖注意力網路
4.3.3 消息傳遞
4.3.4 圖採樣介紹
4.3.5 圖採樣算法：GraphSAGE
4.3.6 圖採樣算法：PinSAGE
4.4 基於圖神經網路的
4.4.1 利用GCN的算法
4.4.2 利用GAT的算法
4.4.3 圖神經網路結合FM的算法：GFM
4.4.4 GFM加入注意力機制的算法：GAFM
4.4.5 小節總結
4.5 本章總結
參考文獻

第5章 知識圖譜與算法（408min）
5.1 知識圖譜基礎
5.1.1 知識圖譜定義
5.1.2 RDF到HRT三元組
5.1.3 知識圖譜算法與圖神經網路算法的發展脈絡
5.1.4 知識圖譜算法的概覽
5.1.5 基於知識圖譜 的優劣勢
5.1.6 Freebase資料集介紹
5.2 Knowledge Graph Embedding知識圖譜嵌入
5.2.1 翻譯距離模型TransE
5.2.2 翻譯距離模型TransH
5.2.3 翻譯距離模型TransR
5.2.4 其他翻譯距離模型
5.2.5 語義匹配模型RESCAL
5.2.6 其他語義匹配模型
5.3 基於知識圖譜嵌入的算法
5.3.1 利用知識圖譜嵌入做模型的基本思路
5.3.2 簡單的知識圖譜算法CKE
5.3.3 CKE擴展及演化
5.3.4 加強知識圖譜資訊的影響：MKR
5.3.5 MKR擴展

於方仁

推薦算法、圖神經網路、知識圖譜等領域專家。在推薦系統領域從業多年，現任蘇州中貿大資料CTO。善於在實戰中總結經驗，授課幽默風趣，樂於分享知識。