《推荐系统算法实践》内容简介

《推荐系统算法实践》主要讲解推荐系统中的召回算法和排序算法，以及各个算法在主流工具Sklearn、Spark、TensorFlow等中的实现和应用。
《推荐系统算法实践》中本着循序渐进的原则进行讲解。首先，介绍推荐系统中推荐算法的数学基础，推荐算法的平台、工具基础，以及具体的推荐系统。其次，讲解推荐系统中的召回算法，主要包括基于行为相似的协同过滤召回和基于内容相似的Word2vec召回，并且介绍其在Spark、TensorFlow主流工具中的实现与应用。再次，讲解推荐系统中的排序算法，包括线性模型、树模型和深度学习模型，分别介绍逻辑回归、FM、决策树、随机森林、GBDT、GBDT+LR、集成学习、深度森林、DNN、Wide & Deep、DeepFM、YouTube推荐等模型的原理，以及其在Sklearn、Spark、TensorFlow主流工具中的实现与应用。最后，介绍推荐算法的4个实践案例，帮助读者进行工程实践和应用，并且介绍如何在Notebook上进行代码开发和算法调试，以帮助读者提升工作效率。
《推荐系统算法实践》适合AI、数据挖掘、大数据等领域的从业人员阅读，书中为开发者展现了推荐算法的原理、实现与应用案例。
黄美灵 现任一线互联网公司的高级工程师，拥有多年大型互联网公司推荐系统和机器学习实战经验，现从事广告推荐、应用分发和资讯Feeds流推荐相关工作。

作品目录

作者简介
前言
第1部分
推荐系统的算法基础
第1章：数学基础
1.1、线性代数
1.2、概率与统计
1.3、损失函数
1.4、优化方法
1.5、评价方法
第2章：推荐系统介绍
2.1、推荐系统背景
2.2、推荐系统的典型案例
2.3、推荐系统原理
第3章：推荐算法工具
3.1、Python
Sklearn机器学习库
3.2、Spark
MLlib机器学习库
3.3、TensorFlow
3.4、Notebook介绍
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
4.1、协同过滤算法
4.2、协同过滤推荐算法实现
第5章：Word2vec——基于内容相似的召回
5.1、Word2vec算法
5.2、Word2vec实例
第3部分
推荐系统的排序算法——线性模型
第6章：逻辑回归
6.1、逻辑回归算法
6.2、逻辑回归实现
第7章：因子分解机（FM）
7.1、FM算法
7.2、FM实现
第4部分
推荐系统的排序算法——树模型
第8章：决策树
8.1、决策树算法
8.2、决策树的集成算法
8.3、决策树集成算法实例
第9章：集成学习
9.1、GBDT+LR算法
9.2、深度森林算法
9.3、决策树集成分类器
9.4、集成学习实例
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
10.1、推荐模型的特点
10.2、基于深度学习的推荐模型
第11章：DNN算法
11.1、人工神经网络算法
11.2、DNN优化方法
11.3、DNN实例
11.4、运行结果
第12章：Wide＆Deep模型
12.1、Wide
＆
Deep模型概述
12.2、Wide
＆
Deep系统实现
12.3、Wide
＆
Deep实例
12.4、运行结果
第13章：DeepFM模型
13.1、DeepFM模型概述
13.2、DeepFM模型实例
13.3、运行结果
第14章：YouTube的深度神经网络模型
14.1、YouTube推荐模型
14.2、YouTube实例
14.3、运行结果
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
15.1、背景介绍
15.2、模型选择
15.3、算法开发
第16章：实践——基于逻辑回归的音乐评分预测
16.1、背景介绍
16.2、数据准备
16.3、特征处理
16.4、模型选择
16.5、算法开发
第17章：实践——Kaggle竞赛之Outbrain点击率预估
17.1、背景介绍
17.2、数据准备
17.3、特征处理
17.4、模型选择
17.5、算法开发
第18章：实践——基于深度学习的电商商品点击率预估
18.1、背景介绍
18.2、数据准备
18.3、特征处理
18.4、模型选择
18.5、算法开发
18.6、运行结果
第19章：Notebook实践
19.1、Sklearn中的LR实践
19.2、TensorFlow中的LR实践
19.3、Spark中的LR实践
19.4、TensorFlow中的FM调试实践
19.5、Spark中的协同过滤调试实践