扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
智能推荐算法与系统构建实践 版权信息
- ISBN：9787115614872
- 条形码：9787115614872 ; 978-7-115-61487-2
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
智能推荐算法与系统构建实践 本书特色
1、理论解析 案例解析 示例代码 经验分享
2、知识体系全面，实用性强
3、经典技术 主流技术 前沿技术
4、系统建设的基本原则 实战技巧
5、系统视角阐述推荐系统搭建
6、作者从事信息系统研发20年，CTO，技术专家，融入推荐系统建设经验
智能推荐算法与系统构建实践 内容简介
本书从系统视角出发,阐述如何利用技术手段搭建企业级推荐系统,内容包括认知篇、数据篇、召回篇、排序篇、系统篇 5 个部分，覆盖企业级推荐系统建设的核心要点。本书知识体系清晰，从基础知识切入，逐步深入，先后涉及推荐系统的经典技术、主流技术和前沿技术。本书通过“理论+案例+代码示例+心得体会”的方式阐述、归纳和总结推荐系统的知识，帮助读者理解推荐系统，掌握技能，建立系统思维。 本书适合对推荐系统感兴趣的初学者、从事数据挖掘/信息推荐相关工作的研发工程师、产品经理、架构师，以及相关专业学生和教师阅读。
智能推荐算法与系统构建实践 目录
第 1 部 分 认 知 篇 1
第 1 章 认识推荐系统 3
1.1 推荐与推荐系统 3
1.2 生活中的推荐系统 6
1.3 推荐系统的特点与价值 9
1.4 推荐服务 12
1.5 个性化推荐策略 14
1.5.1 U2Tag2I 策略 14
1.5.2 U2U2I 策略 15
1.5.3 U2I2I 策略 15
1.5.4 U2I 策略 16
1.6 本章小结 16
第 2章 推荐系统技术实现 17
2.1 工作原理 17
2.2 业务流程 18
2.3 业务功能模块 21
2.3.1 数据采集 22
2.3.2 特征工程 26
2.3.3 推荐算法 29
2.3.4 推荐服务 36
2.3.5 效能评价 38
2.4 推荐系统开发 39
2.5 本章小结 43
第 2 部 分 数 据 篇 45
第 3 章 数据提取与特征向量 47
3.1 特征标签构建流程 47
3.2 特征标签构建方法 49
3.3 数据提取 51
3.4 数据处理 53
3.4.1 数据统计 54
3.4.2 数据标准化 55
3.4.3 数据离散化 58
3.5 特征编码 61
3.5.1 类别数据 61
3.5.2 时间数据 69
3.5.3 位置数据 73
3.5.4 文本数据 74
3.6 本章小结 86
第 4 章 构建个性化特征标签 87
4.1 喜欢度——衡量用户感兴趣的程度 87
4.2 新闻特征标签 89
4.2.1 基本特征 89
4.2.2 类别特征 90
4.2.3 内容特征 91
4.2.4 趋势特征 100
4.2.5 新闻特征向量 102
4.3 用户特征标签 103
4.3.1 基本特征 104
4.3.2 位置特征 104
4.3.3 兴趣偏好特征 105
4.3.4 行为特征 109
4.3.5 价值特征 109
4.3.6 用户特征向量 111
4.4 特征相似度计算 112
4.4.1 欧几里得距离 113
4.4.2 曼哈顿距离 113
4.4.3 闵可夫斯基距离 113
4.4.4 马氏距离 114
4.4.5 余弦相似度 114
4.4.6 皮尔逊相关系数 115
4.4.7 杰卡德相关系数 116
4.4.8 代码示例 117
4.5 本章小结 121
第5章 交叉组合构建新特征 122
5.1 特征组合 122
5.1.1 特征拼接 122
5.1.2 笛卡儿构建 123
5.1.3 线性组合 123
5.1.4 多项式特征 124
5.1.5 代码示例 125
5.2 特征选择 128
5.2.1 方差选择 129
5.2.2 相关选择 129
5.2.3 卡方检验 131
5.2.4 主成分分析 133
5.2.5 树模型选择 136
5.2.6 代码示例 143
5.3 本章小结 150
第 3 部 分 召 回 篇 151
第 6 章 机器学习模型 153
6.1 机器学习的定义 153
6.1.1 有监督学习 154
6.1.2 无监督学习 154
6.2 数据集 155
6.2.1 常用公开数据集 156
6.2.2 在线构建数据集 156
6.2.3 数据集划分 160
6.2.4 生成训练集 166
6.3 模型训练 168
6.4 模型保存 169
6.5 模型评价 170
6.5.1 分类模型评价 170
6.5.2 回归模型评价 173
6.5.3 代码示例 174
6.6 模型上线 175
6.7 本章小结 176
第 7 章 基于新闻热度的推荐召回 177
7.1 新闻热度 177
7.2 热门推荐算法 179
7.3 代码示例 179
7.4 本章小结 184
第 8 章 基于内容的推荐召回 185
8.1 商品内容 185
8.2 KNN 算法模型 186
8.2.1 KNN 发现 186
8.2.2 KNN 算法改进 187
8.3 代码示例 189
8.4 本章小结 199
第 9 章 基于标签的推荐召回 201
9.1 认识标签 201
9.2 标签推荐算法 202
9.3 升级标签推荐算法 206
9.4 代码示例 207
9.5 本章小结 211
第 10章 协同过滤推荐召回 212
10.1 UserCF 算法 212
10.1.1 算法原理 212
10.1.2 代码示例 218
10.2 ItemCF 算法 223
10.2.1 算法原理 223
10.2.2 代码示例 227
10.3 本章小结 232
第 11章 基于矩阵分解的推荐召回 233
11.1 数学知识 233
11.2 SVD 推荐算法 236
11.3 代码示例 237
11.4 本章小结 241
第 12章 基 于LFM 的推荐召回 243
12.1 LFM 概述 243
12.2 LFM 推荐算法 244
12.3 代码示例 247
12.4 本章小结 251
第 13章 多路召回融合策略 252
13.1 多路召回策略 252
13.2 融合策略 254
13.2.1 顺序融合 255
13.2.2 平均加权融合 256
13.2.3 加权融合 256
13.2.4 动态加权融合 257
13.3 代码示例 257
13.4 本章小结 266
第 4 部 分 排 序 篇 267
第 14章 线性模型排序算法 269
14.1 回归模型 269
14.2 线性回归模型 270
14.3 逻辑回归模型 273
14.3.1 算法模型 273
14.3.2 模型参数估计 275
14.3.3 代码示例 277
14.4 本章小结 283
第 15章 LR-GBDT 模型排序算法 284
15.1 CART 决策树 284
15.2 集成学习模型 292
15.2.1 Bagging 算法 293
15.2.2 Boosting 算法 294
15.2.3 Stacking 算法 295
15.3 GBDT 模型 296
15.4 LR-GBDT 模型 299
15.4.1 模型算法推导 299
15.4.2 代码示例 300
15.5 本章小结 306
第 16章 深度学习模型排序算法 307
16.1 神经元 307
16.2 ANN 模型 309
16.3 模型训练 315
16.3.1 正向传递 317
16.3.2 反向传递 319
16.4 模型优化 323
16.4.1 梯度优化算法 324
16.4.2 Batch 归一化 327
16.4.3 正则化 328
16.5 DNN 模型 329
16.5.1 模型构建 329
16.5.2 代码示例 331
16.6 Wide&Deep 模 型 335
16.6.1 Wide 部分 336
16.6.2 Deep 部分 337
16.6.3 联合训练 337
16.6.4 Wide&Deep 模型案例 338
16.7 本章小结 339
第 5 部 分 系 统 篇 341
第 17章 推荐服务生成与管理 343
17.1 推荐系统的 Web服务 343
17.2 推荐服务的请求与响应 345
17.2.1 HTTP 346
17.2.2 REST 编程风格 349
17.2.3 基于Django 开发REST 风格API 352
17.2.4 基于 Spring MVC 开发 REST 风格 API 354
17.3 生成推荐结果 355
17.3.1 离线生成 356
17.3.2 在线生成 360
17.3.3 在线 离线融合生成 361
17.3.4 代码示例 364
17.4 生成方案对比 376
17.5 本章小结 377
第 18章 推荐系统效能评价 379
18.1 推荐系统评价 379
18.2 用户调研 380
18.3 离线测试 382
18.3.1 离线测试方法 382
18.3.2 离线测试指标 384
18.4 在线测试 384
18.4.1 A B 测 试 385
18.4.2 推荐系统的 AB 测试实验 389
18.4.3 在线测试指标 392
18.5 本章小结 398
第 19章 推荐系统架构设计 400
19.1 系统架构概述 400
19.2 系统边界 405
19.3 系统总体架构 407
19.4 依赖的第三方环境 413
19.4.1 大数据计算平台 413
19.4.2 机器学习平台 417
19.4.3 存储平台 420
19.4.4 数据查询检索平台 421
19.4.5 Web 系统开发框架 421
19.5 系统技术架构 422
19.5.1 数据流 424
19.5.2 离线层计算 426
19.5.3 近线层计算 427
19.5.4 在线层计算 429
19.5.5 技术架构对比 432
19.6 系统部署架构 434
19.7 系统建设步骤 438
19.8 本章小结 439
第 1 章 认识推荐系统 3
1.1 推荐与推荐系统 3
1.2 生活中的推荐系统 6
1.3 推荐系统的特点与价值 9
1.4 推荐服务 12
1.5 个性化推荐策略 14
1.5.1 U2Tag2I 策略 14
1.5.2 U2U2I 策略 15
1.5.3 U2I2I 策略 15
1.5.4 U2I 策略 16
1.6 本章小结 16
第 2章 推荐系统技术实现 17
2.1 工作原理 17
2.2 业务流程 18
2.3 业务功能模块 21
2.3.1 数据采集 22
2.3.2 特征工程 26
2.3.3 推荐算法 29
2.3.4 推荐服务 36
2.3.5 效能评价 38
2.4 推荐系统开发 39
2.5 本章小结 43
第 2 部 分 数 据 篇 45
第 3 章 数据提取与特征向量 47
3.1 特征标签构建流程 47
3.2 特征标签构建方法 49
3.3 数据提取 51
3.4 数据处理 53
3.4.1 数据统计 54
3.4.2 数据标准化 55
3.4.3 数据离散化 58
3.5 特征编码 61
3.5.1 类别数据 61
3.5.2 时间数据 69
3.5.3 位置数据 73
3.5.4 文本数据 74
3.6 本章小结 86
第 4 章 构建个性化特征标签 87
4.1 喜欢度——衡量用户感兴趣的程度 87
4.2 新闻特征标签 89
4.2.1 基本特征 89
4.2.2 类别特征 90
4.2.3 内容特征 91
4.2.4 趋势特征 100
4.2.5 新闻特征向量 102
4.3 用户特征标签 103
4.3.1 基本特征 104
4.3.2 位置特征 104
4.3.3 兴趣偏好特征 105
4.3.4 行为特征 109
4.3.5 价值特征 109
4.3.6 用户特征向量 111
4.4 特征相似度计算 112
4.4.1 欧几里得距离 113
4.4.2 曼哈顿距离 113
4.4.3 闵可夫斯基距离 113
4.4.4 马氏距离 114
4.4.5 余弦相似度 114
4.4.6 皮尔逊相关系数 115
4.4.7 杰卡德相关系数 116
4.4.8 代码示例 117
4.5 本章小结 121
第5章 交叉组合构建新特征 122
5.1 特征组合 122
5.1.1 特征拼接 122
5.1.2 笛卡儿构建 123
5.1.3 线性组合 123
5.1.4 多项式特征 124
5.1.5 代码示例 125
5.2 特征选择 128
5.2.1 方差选择 129
5.2.2 相关选择 129
5.2.3 卡方检验 131
5.2.4 主成分分析 133
5.2.5 树模型选择 136
5.2.6 代码示例 143
5.3 本章小结 150
第 3 部 分 召 回 篇 151
第 6 章 机器学习模型 153
6.1 机器学习的定义 153
6.1.1 有监督学习 154
6.1.2 无监督学习 154
6.2 数据集 155
6.2.1 常用公开数据集 156
6.2.2 在线构建数据集 156
6.2.3 数据集划分 160
6.2.4 生成训练集 166
6.3 模型训练 168
6.4 模型保存 169
6.5 模型评价 170
6.5.1 分类模型评价 170
6.5.2 回归模型评价 173
6.5.3 代码示例 174
6.6 模型上线 175
6.7 本章小结 176
第 7 章 基于新闻热度的推荐召回 177
7.1 新闻热度 177
7.2 热门推荐算法 179
7.3 代码示例 179
7.4 本章小结 184
第 8 章 基于内容的推荐召回 185
8.1 商品内容 185
8.2 KNN 算法模型 186
8.2.1 KNN 发现 186
8.2.2 KNN 算法改进 187
8.3 代码示例 189
8.4 本章小结 199
第 9 章 基于标签的推荐召回 201
9.1 认识标签 201
9.2 标签推荐算法 202
9.3 升级标签推荐算法 206
9.4 代码示例 207
9.5 本章小结 211
第 10章 协同过滤推荐召回 212
10.1 UserCF 算法 212
10.1.1 算法原理 212
10.1.2 代码示例 218
10.2 ItemCF 算法 223
10.2.1 算法原理 223
10.2.2 代码示例 227
10.3 本章小结 232
第 11章 基于矩阵分解的推荐召回 233
11.1 数学知识 233
11.2 SVD 推荐算法 236
11.3 代码示例 237
11.4 本章小结 241
第 12章 基 于LFM 的推荐召回 243
12.1 LFM 概述 243
12.2 LFM 推荐算法 244
12.3 代码示例 247
12.4 本章小结 251
第 13章 多路召回融合策略 252
13.1 多路召回策略 252
13.2 融合策略 254
13.2.1 顺序融合 255
13.2.2 平均加权融合 256
13.2.3 加权融合 256
13.2.4 动态加权融合 257
13.3 代码示例 257
13.4 本章小结 266
第 4 部 分 排 序 篇 267
第 14章 线性模型排序算法 269
14.1 回归模型 269
14.2 线性回归模型 270
14.3 逻辑回归模型 273
14.3.1 算法模型 273
14.3.2 模型参数估计 275
14.3.3 代码示例 277
14.4 本章小结 283
第 15章 LR-GBDT 模型排序算法 284
15.1 CART 决策树 284
15.2 集成学习模型 292
15.2.1 Bagging 算法 293
15.2.2 Boosting 算法 294
15.2.3 Stacking 算法 295
15.3 GBDT 模型 296
15.4 LR-GBDT 模型 299
15.4.1 模型算法推导 299
15.4.2 代码示例 300
15.5 本章小结 306
第 16章 深度学习模型排序算法 307
16.1 神经元 307
16.2 ANN 模型 309
16.3 模型训练 315
16.3.1 正向传递 317
16.3.2 反向传递 319
16.4 模型优化 323
16.4.1 梯度优化算法 324
16.4.2 Batch 归一化 327
16.4.3 正则化 328
16.5 DNN 模型 329
16.5.1 模型构建 329
16.5.2 代码示例 331
16.6 Wide&Deep 模 型 335
16.6.1 Wide 部分 336
16.6.2 Deep 部分 337
16.6.3 联合训练 337
16.6.4 Wide&Deep 模型案例 338
16.7 本章小结 339
第 5 部 分 系 统 篇 341
第 17章 推荐服务生成与管理 343
17.1 推荐系统的 Web服务 343
17.2 推荐服务的请求与响应 345
17.2.1 HTTP 346
17.2.2 REST 编程风格 349
17.2.3 基于Django 开发REST 风格API 352
17.2.4 基于 Spring MVC 开发 REST 风格 API 354
17.3 生成推荐结果 355
17.3.1 离线生成 356
17.3.2 在线生成 360
17.3.3 在线 离线融合生成 361
17.3.4 代码示例 364
17.4 生成方案对比 376
17.5 本章小结 377
第 18章 推荐系统效能评价 379
18.1 推荐系统评价 379
18.2 用户调研 380
18.3 离线测试 382
18.3.1 离线测试方法 382
18.3.2 离线测试指标 384
18.4 在线测试 384
18.4.1 A B 测 试 385
18.4.2 推荐系统的 AB 测试实验 389
18.4.3 在线测试指标 392
18.5 本章小结 398
第 19章 推荐系统架构设计 400
19.1 系统架构概述 400
19.2 系统边界 405
19.3 系统总体架构 407
19.4 依赖的第三方环境 413
19.4.1 大数据计算平台 413
19.4.2 机器学习平台 417
19.4.3 存储平台 420
19.4.4 数据查询检索平台 421
19.4.5 Web 系统开发框架 421
19.5 系统技术架构 422
19.5.1 数据流 424
19.5.2 离线层计算 426
19.5.3 近线层计算 427
19.5.4 在线层计算 429
19.5.5 技术架构对比 432
19.6 系统部署架构 434
19.7 系统建设步骤 438
19.8 本章小结 439
展开全部
智能推荐算法与系统构建实践 作者简介
陈实如 博士研究生，教授级高级工程师，浪潮集团资深研究员，长期从事企业数字化转型、技术规划和技术管理，专注于物联网、大数据、工业互联网人工智能等领域，擅长数据挖掘、数据建模、推荐算法和系统架构构建。独立负责几十个信息化平台的研发和交付，具有丰富的开发实战经验。喜欢总结，乐于分享。在国外核心期刊发表论文30余篇，获得国家发明专利授权20余项。
书友推荐
- >
我从未如此眷恋人间
我从未如此眷恋人间
¥24.9¥49.8 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
我与地坛
我与地坛
¥15.4¥28.0 - >
朝闻道
朝闻道
¥15.0¥23.8 - >
史学评论
史学评论
¥23.2¥42.0 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
随园食单
随园食单
¥15.4¥48.0 - >
推拿
推拿
¥12.2¥32.0
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8
