推荐系统算法实践 - (EPUB全文下载)

文件大小：1.31 mb。
文件格式：epub 格式。
书籍内容：

作者简介
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。
源代码下载、交流答疑请关注公众号加入QQ群
读者交流微信公众号
读者交流QQ群
RECOMMENDATIONALGORITHM
推荐系统算法实践
黄美灵　著
电子工业出版社
Publishing House of Electronics Industry
北京·BEIJING
内容简介
本书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。
书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。
本书适合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。
未经许可，不得以任何方式复制或抄袭本书的部分或全部内容。
版权所有，侵权必究。
图书在版编目（CIP）数据
推荐系统算法实践/黄美灵著.—北京：电子工业出版社，2019.9
ISBN　978-7-121-37040-3
Ⅰ.①推…　Ⅱ.①黄…　Ⅲ.①计算机算法　Ⅳ.①TP301.6
中国版本图书馆CIP数据核字（2019）第138081号
责任编辑：付睿
文字编辑：李云静　王中英
印刷：
装订：
出版发行：电子工业出版社　北京市海淀区万寿路173信箱
邮编：100036
开本：787×980　1/16
印张：22.25
字数：481.7千字
版次：2019年9月第1版
印次：2019年9月第1次印刷
定价：89.00元
凡所购买电子工业出版社图书有缺损问题，请向购买书店调换。若书店售缺，请与本社发行部联系，联系及邮购电话：（010）88254888,88258888。
质量投诉请发邮件至zlts@phei.com.cn，盗版侵权举报请发邮件至dbqq@phei.com.cn。
本书咨询联系方式：010-51260888-819,faq@phei.com.cn。
前言
随着互联网行业的高速发展，人们获取信息的方式越来越多，从主动获取信息逐渐变为被动接收信息，信息量也呈爆发式增长。因此，人们已经从信息匮乏时代进入信息“过载”时代。人们对信息获取的有效性和针对性的需求随之出现，推荐系统也应运而生。推荐系统就是互联网时代的一种信息检索工具，推荐系统的任务就是连接用户和信息，创造价值。
推荐系统从20世纪90年代开始出现，逐渐成为一门独立的学科，并且在学术界和工业界应用中都取得了诸多成果。本书主要讲解目前学术界和工业界的一些主流、常用的推荐方法和工具。
首先从基础开始，介绍数学基础、具体的推荐系统，以及常用的推荐算法工具，包括目前主流的工具Sklearn、Spark MLlib、TensorFlow，并且介绍效率提升工具Zeppelin Notebook和Jupyter Notebook。
随后讲解推荐系统中的召回算法，包括常见的协同过滤和Word2vec两个算法，并且介绍这两个算法在Spark、TensorFlow主流工具中的实现。
接着讲解推荐系统中的排序算法——线性模型，包括常见的逻辑回归和 FM 两个算法，并且介绍这两个算法在Sklearn、Spark、TensorFlow主流工具中的实现。
然后讲解推荐系统中的排序算法——树模型，包括常见的随机森林、GBDT、GBDT+LR、集成学习算法以及最近出现的深度森林算法，并且介绍各个算法在Sklearn、Spark、TensorFlow主流工具中的实现。
之后讲解推荐系统中的排序算法——深度学习模型，包括深度学习在推荐算法中的应用、常见的DNN算法以及最近出现的DeepFM、Wide ＆ Deep、YouTube推荐模型等，并且介绍各个算法在TensorFlow工具中的实现。
最后讲解电商平台的商品召回、音乐的评分预测、Kaggle竞赛Outbrain的点击率预估和电商商品点击率预估4个推荐算法的实践案例，并且讲解在Notebook上进行代码开发的实践案例和算法调试的实践案例。
本书主要对推荐系统中的常见方法和工具进行全面讲解，并且配合讲解算法原理、实现以及案例，通过本书可从基础到实践全面掌握推荐系统中的推荐算法。
学习本书内容需要具备以下基础：Python 基础知识、Spark 基础知识、TensorFlow 基础知识、Scala基础知识、线性代数基础知识等。
本书面向以下各类读者：机器学习工程师、数据挖掘工程师、大数据工程师、各高校的研究生和高年级本科生等。
本书学习指南
续表
在本书的编写过程中，参考了一些国内外文献，主要如下。
【第1章】1.4节“优化方法”，参考了张志华审校的《深度学习》一书中的第8章（英文版是由Ian Goodfellow、Yoshua Bengio和Aaron Courville编写的Deep Learning）。
【第5 章】5.1 节“Word2vec 算法”，参考了 Xin Rong 在 2016年发表的论文 Word2vec Parameter Learning Explained。
【第6章】6.1节“逻辑回归 ............

书籍插图：

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。