推薦系統核心技術與實踐

目    錄

 

第1章  推薦系統基礎知識介紹 1

1.1  推薦系統簡介 2

1.1.1  推薦系統的應用領域 2

1.1.2  推薦系統的重要性 2

1.2  推薦系統和人工智能 3

1.2.1  機器學習 3

1.2.2  深度學習 4

1.2.3  推薦系統與人工智能的關系 4

1.3  推薦系統算法概覽 5

1.4  推薦系統面臨的挑戰 6

1.4.1  用戶隱私和數據安全問題 6

1.4.2  推薦算法的偏見和歧視 7

1.4.3  推薦算法面臨的社會影響和道德考量 8

第2章  基於內容的推薦 9

2.1  文本特徵提取 10

2.1.1  詞袋模型 10

2.1.2  n-gram模型 14

2.1.3  特徵哈希 16

2.2  TF-IDF(詞頻-逆文檔頻率) 18

2.2.1  詞頻計算 19

2.2.2  逆文檔頻率計算 20

2.2.3  TF-IDF權重計算 22

2.3  詞嵌入 23

2.3.1  分佈式表示方法 23

2.3.2  使用Word2Vec模型 24

2.3.3  使用GloVe模型 26

2.4  主題模型 26

2.4.1  潛在語義分析 27

2.4.2  隱含狄利克雷分佈 28

2.4.3  主題模型的應用 29

2.5  文本分類和標簽提取 31

2.5.1  傳統機器學習 31

2.5.2  捲積神經網絡 34

2.5.3  循環神經網絡 45

2.6  文本情感分析 48

2.6.1  機器學習方法 48

2.6.2  深度學習方法 50

第3章  協同過濾推薦 57

3.1  協同過濾推薦介紹 58

3.2  基於用戶的協同過濾 58

3.2.1  基於用戶的協同過濾推薦算法的基本步驟 58

3.2.2  使用Python實現基於用戶的協同過濾推薦 59

3.3  基於物品的協同過濾 61

3.3.1  計算物品之間的相似度 61

3.3.2  協同過濾推薦實踐 62

3.4  基於模型的協同過濾 63

3.4.1  矩陣分解模型 64

3.4.2  基於圖的模型 66

3.5  混合型協同過濾 69

第4章  混合推薦 73

4.1  特徵層面的混合推薦 74

4.1.1  特徵層面混合推薦介紹 74

4.1.2  用戶特徵融合 74

4.1.3  物品特徵融合 76

4.2  模型層面的混合推薦 78

4.2.1  基於加權融合的模型組合 78

4.2.2  基於集成學習的模型組合 80

4.2.3  基於混合排序的模型組合 82

4.2.4  基於協同訓練的模型組合 86

4.3  策略層面的混合推薦 88

4.3.1  動態選擇推薦策略 88

4.3.2  上下文感知的推薦策略 91

第5章  基於標簽的推薦 101

5.1  標簽的獲取和處理 102

5.1.1  獲取用戶的標簽 102

5.1.2  獲取物品的標簽 104

5.1.3  標簽預處理和特徵提取 106

5.2  標簽相似度計算 110

5.2.1  基於標簽頻次的相似度計算 110

5.2.2  基於標簽共現的相似度計算 112

5.2.3  基於標簽語義的相似度計算 118

5.3  基於標簽的推薦算法 119

5.3.1  基於用戶標簽的推薦算法 120

5.3.2  基於物品標簽的推薦算法 123

5.4  標簽推薦系統的評估和優化 125

5.4.1  評估指標的選擇 125

5.4.2  優化標簽推薦效果 126

第6章  基於知識圖譜的推薦 127

6.1  知識圖譜介紹 128

6.1.1  知識圖譜的定義和特點 128

6.1.2  知識圖譜的構建方法 129

6.1.3  知識圖譜與個性化推薦的關系 129

6.2  知識表示和語義關聯 130

6.2.1  實體和屬性的表示 130

6.2.2  關系的表示和推理 132

6.2.3  語義關聯的計算和衡量 134

6.3  知識圖譜中的推薦算法 137

6.3.1  基於路徑的推薦算法 137

6.3.2  基於實體的推薦算法 139

6.3.3  基於關系的推薦算法 142

6.3.4  基於知識圖譜推理的推薦算法 146

第7章  基於隱語義模型的推薦 149

7.1  隱語義模型概述 150

7.1.1  隱語義模型介紹 150

7.1.2  隱語義模型在推薦系統中的應用 151

7.2  潛在語義索引 151

7.2.1  LSI的基本思想和實現步驟 151

7.2.2  使用Python實現潛在語義索引 152

7.3  潛在狄利克雷分配 155

7.3.1  實現LDA的基本步驟 155

7.3.2  使用庫Gensim構建推薦系統 156

7.4  增強隱語義模型的信息來源 159

7.4.1  基於內容信息的隱語義模型 159

7.4.2  時間和上下文信息的隱語義模型 161

7.4.3  社交網絡信息的隱語義模型 163

第8章  基於神經網絡的推薦模型 167

8.1  深度推薦模型介紹 168

8.1.1  傳統推薦模型的局限性 168

8.1.2  深度學習在推薦系統中的應用 168

8.2  基於多層感知器的推薦模型 169

8.2.1  基於MLP推薦模型的流程 169

8.2.2  用戶和物品特徵的編碼 170

8.3  基於捲積神經網絡的推薦模型 172

8.3.1  捲積神經網絡的用戶和物品特徵的表示 172

8.3.2  捲積層和池化層的特徵提取 173

8.4  基於循環神經網絡的推薦模型 177

8.4.1  序列數據的建模 178

8.4.2  歷史行為序列的特徵提取 182

8.5  基於自註意力機制的推薦模型 185

8.5.1  自註意力機制介紹 186

8.5.2  使用基於自註意力機制的推薦模型 186

8.6  基於強化學習的推薦模型 190

8.6.1  基於強化學習的推薦模型的構成 190

8.6.2  Q-learning算法 191

8.6.3  深度Q網絡算法介紹 193

第9章  序列建模和註意力機制 203

9.1  序列建模 204

9.1.1  使用長短期記憶網絡建模 204

9.1.2  使用門控循環單元建模 210

9.2  註意力機制 213

9.2.1  註意力機制介紹 213

9.2.2  註意力機制在推薦系統中的作用 214

9.2.3  使用自註意力模型 215

9.3  使用Seq2Seq模型和註意力機制實現翻譯系統 219

9.3.1  Seq2Seq模型介紹 220

9.3.2  使用註意力機制改良Seq2Seq模型 221

9.3.3  準備數據集 222

9.3.4  數據預處理 222

9.3.5  實現Seq2Seq 模型 226

9.3.6  訓練模型 232

9.3.7  模型評估 237

9.3.8  訓練和評估 238

9.3.9  註意力的可視化 240

第10章  強化推薦學習 245

10.1  強化學習的基本概念 246

10.1.1  基本模型和原理 246

10.1.2  強化學習中的要素 247

10.1.3  網絡模型設計 247

10.1.4  強化學習和深度強化學習 248

10.2  強化學習算法 249

10.2.1  值迭代算法 249

10.2.2  蒙特卡洛方法 251

10.3  深度確定性策略梯度算法 253

10.3.1  DDPG算法的核心思想 和基本思路 253

10.3.2  使用DDPG算法實現推薦 系統 254

10.4  雙重深度Q網絡算法 257

10.4.1  雙重深度Q網絡介紹 257

10.4.2  基於雙重深度Q網絡的歌曲 推薦系統 257

10.5  PPO策略優化算法 262

10.5.1  PPO策略優化算法介紹 262

10.5.2  使用PPO策略優化算法實現 推薦系統 263

10.6  TRPO算法 265

10.6.1  TRPO算法介紹 266

10.6.2  使用TRPO算法實現商品 推薦系統 266

10.7  A3C算法 269

10.7.1  A3C算法介紹 269

10.7.2  使用A3C算法訓練推薦 系統 269

第11章  電影推薦系統 273

11.1  系統介紹 274

11.1.1  背景介紹 274

11.1.2  推薦系統和搜索引擎 275

11.1.3  項目介紹 275

11.2  系統模塊 276

11.3  探索性數據分析 277

11.3.1  導入庫文件 277

11.3.2  數據預處理 278

11.3.3  數據可視化 282

11.4  推薦系統 296

11.4.1  混合推薦系統 297

11.4.2  深度學習推薦系統 303

第12章  動漫推薦系統 313

12.1  背景介紹 314

12.1.1  動漫發展現狀 314

12.1.2  動漫未來的發展趨勢 314

12.2  系統分析 315

12.2.1  需求分析 315

12.2.2  系統目標分析 315

12.2.3  系統功能分析 316

12.3  準備數據集 316

12.3.1  動漫信息數據集 317

12.3.2  評分信息數據集 317

12.3.3  導入數據集 317

12.4  數據分析 318

12.4.1  基礎數據探索方法 318

12.4.2  數據集摘要 321

12.4.3  深入挖掘 325

12.4.4  熱門動漫 327

12.4.5  統計動漫類別 328

12.4.6  總體動漫評價 331

12.4.7  基於評分的熱門動漫 334

12.4.8  按類別劃分的動漫評分 分佈 335

12.4.9  動漫類型 343

12.4.10  最終數據預處理 345

12.5  推薦系統 346

12.5.1  協同過濾推薦系統 346

12.5.2  基於內容的推薦系統 349

12.6  總結 352