推薦系統 — 飛槳深度學習實戰

目錄

 

 

 

第1章推薦系統概述

 

1.1推薦系統的背景與價值

 

1.1.1推薦系統的背景

 

1.1.2典型的推薦系統應用

 

1.2推薦系統是如何工作的

 

1.2.1推薦系統的基本任務

 

1.2.2推薦系統的工作過程

 

1.2.3推薦系統的原理

 

1.3推薦系統的歷史與分類

 

1.3.1推薦系統的發展歷史

 

1.3.2推薦算法的分類

 

1.4推薦系統評測

 

1.4.1推薦系統的評測方法

 

1.4.2推薦系統的評測指標

 

參考文獻

 

第2章生產環境下的推薦系統

 

2.1推薦系統的業務流程

 

2.1.1推薦總體流程

 

2.1.2召回環節

 

2.1.3排序環節

 

2.1.4後處理調整

 

2.2推薦系統的主要業務模塊

 

2.2.1數據採集與處理模塊

 

2.2.2特徵工程模塊

 

2.2.3推薦算法模塊

 

2.2.4用戶交互模塊

 

2.3推薦系統架構設計

 

2.3.1總體業務架構

 

2.3.2數據層

 

2.3.3算法層

 

2.3.4系統層

 

2.4線上系統的A/B測試

 

2.4.1前端接口

 

2.4.2數據讀取接口

 

2.4.3測試及評估接口

 

2.4.4監控接口

 

參考文獻

 

 

 

 

 

第3章機器學習算法基礎

 

3.1機器學習算法概述

 

3.1.1機器學習算法基本過程

 

3.1.2機器學習算法的分類

 

3.2線性回歸算法

 

3.2.1線性回歸模型

 

3.2.2線性回歸模型的損失函數

 

3.2.3梯度下降求解線性回歸模型參數的最優值

 

3.2.4線性回歸算法正則化

 

3.2.5實驗

 

3.2.6線性回歸算法特點

 

3.3邏輯回歸算法

 

3.3.1邏輯回歸模型

 

3.3.2邏輯回歸損失函數

 

3.3.3梯度下降求解最優值

 

3.3.4邏輯回歸算法的正則化

 

3.3.5實驗

 

3.3.6邏輯回歸算法特點

 

3.4決策樹

 

3.4.1決策樹的結構

 

3.4.2決策樹算法

 

3.4.3決策樹算法總結

 

3.4.4基於sklearn的決策樹實驗

 

3.5樸素貝葉斯

 

3.5.1樸素貝葉斯相關的統計學知識

 

3.5.2樸素貝葉斯模型

 

3.5.3總結

 

3.5.4基於sklearn的NaiveBayes實驗

 

3.6神經網絡

 

3.6.1神經元模型

 

3.6.2全連接神經網絡

 

3.6.3捲積神經網絡

 

3.6.4循環神經網絡

 

3.6.5圖神經網絡

 

3.6.6實驗評估

 

參考文獻

 

第4章典型推薦算法

 

4.1推薦算法相關知識

 

4.1.1推薦算法的分類

 

4.1.2推薦系統中的隱式反饋、顯式反饋

 

4.1.3推薦系統中的損失函數

 

4.2非個性化推薦算法

 

4.2.1基於流行度的推薦方法

 

4.2.2基於關聯規則的推薦方法

 

4.3基於內容的推薦

 

4.3.1基本思想和過程

 

4.3.2一個基於內容推薦的示例

 

4.3.3基於標簽的推薦

 

4.4基於統計（相似度）的方法

 

4.4.1基於用戶的協同過濾

 

4.4.2基於物品的協同過濾

 

4.5基於矩陣分解的個性化推薦

 

4.5.1Matrix Factorization算法（MF/SVD）

 

4.5.2BiasSVD算法

 

4.5.3SVD++算法

 

4.5.4WRMF和EALS算法

 

4.6基於物品的協同過濾

 

4.6.1背景簡介

 

4.6.2SLIM算法

 

4.6.3FISM算法

 

參考文獻

 

第5章點擊率預估算法

 

5.1推薦系統中的召回和排序過程

 

5.1.1為什麽需要召回和排序環節

 

5.1.2召回、排序環節的典型方法

 

5.2點擊率預測簡介

 

5.3邏輯回歸模型

 

5.3.1背景

 

5.3.2基於LR模型的CTR預測流程

 

5.3.3實驗

 

5.4因式分解機模型

 

5.4.1背景

 

5.4.2FM模型原理

 

5.4.3實驗

 

5.5梯度提升樹模型

 

5.5.1背景

 

5.5.2模型原理

 

5.5.3實驗

 

5.6梯度提升樹+邏輯回歸模型（GBDT+LR）

 

5.6.1背景

 

5.6.2模型原理

 

5.6.3實驗

 

5.7基於深度學習的CTR模型

 

5.7.1模型的記憶能力和泛化能力

 

5.7.2Wide&Deep模型

 

5.7.3DeepFM模型

 

5.7.4xDeepFM模型

 

5.7.5實驗

 

5.8本章小結

 

參考文獻

 

第6章基於深度學習的推薦算法

 

6.1為什麽需要深度學習

 

6.1.1推薦算法應用的挑戰

 

6.1.2深度學習的優勢

 

6.2深度學習與推薦系統的分類

 

6.2.1表徵學習

 

6.2.2交互建模

 

6.3基於深度學習的矩陣分解推薦算法DeepMF

 

6.3.1背景

 

6.3.2模型原理

 

6.3.3實驗

 

6.3.4模型總結

 

6.4基於深度學習的協同過濾推薦算法NeuralCF

 

6.4.1背景

 

6.4.2模型原理

 

6.4.3實驗

 

6.4.4模型總結

 

6.5基於深度學習的物品協同過濾算法DICF

 

6.5.1DICF模型結構

 

6.5.2DICF模型優化

 

6.5.3實驗評估

 

6.5.4DICF模型總結

 

6.6基於GNN的協同過濾算法

 

6.6.1背景

 

6.6.2模型原理

 

6.6.3實驗

 

6.6.4模型改進

 

6.6.5模型總結

 

6.7基於GNN的混合推薦算法

 

6.7.1DiffNet模型

 

6.7.2AGCN模型

 

6.8本章小結

 

參考文獻

 

第7章一個簡易的推薦系統

 

7.1簡易推薦系統需求描述

 

7.1.1數據集準備

 

7.1.2推薦模型準備

 

7.1.3構建在線推薦接口

 

7.2數據集處理

 

7.2.1用戶數據處理

 

7.2.2物品（電影）數據處理

 

7.2.3評分數據處理

 

7.2.4構建數據讀取器

 

7.3基於PaddlePaddle實現的神經網絡推薦模型

 

7.3.1用戶特徵向量構造

 

7.3.2電影特徵向量構造

 

7.3.3模型訓練和參數保存

 

7.4模擬在線電影推薦

 

第8章推薦系統中的問題與挑戰

 

8.1冷啟動問題

 

8.1.1冷啟動問題定義

 

8.1.2冷啟動解決方法

 

8.2數據稀疏性問題

 

8.2.1數據稀疏問題定義

 

8.2.2數據稀疏問題解決方法

 

8.3推薦可解釋性問題

 

8.3.1可解釋問題定義

 

8.3.2推薦解釋方法

 

8.4大數據處理與增量計算問題

 

8.4.1大數據問題定義

 

8.4.2大數據問題解決方法

 

8.5數據偏差問題

 

8.5.1數據偏差問題定義

 

8.5.2緩解數據偏差的方法

 

8.6其他問題

 

8.6.1時效性問題

 

8.6.2多樣性問題

 

8.6.3用戶意圖檢測問題

 

參考文獻