推薦系統(tǒng)：核心技術(shù)、算法與開發(fā)實(shí)戰(zhàn)

第1章 推薦系統(tǒng)基礎(chǔ)知識(shí) 1.1 推薦系統(tǒng)簡介 1 1.1.1 推薦系統(tǒng)的應(yīng)用領(lǐng)域 1 1.1.2 推薦系統(tǒng)的重要性 1 1.2 推薦系統(tǒng)和人工智能 2 1.2.1 機(jī)器學(xué)習(xí) 2 1.2.2 深度學(xué)習(xí) 2 1.2.3 推薦系統(tǒng)與人工智能的關(guān)系 2 1.3 推薦系統(tǒng)算法概覽 3 1.4 推薦系統(tǒng)面臨的挑戰(zhàn) 3 1.4.1 用戶隱私和數(shù)據(jù)安全問題 3 1.4.2 推薦算法的偏見和歧視 4 1.4.3 推薦系統(tǒng)的社會(huì)影響和道德考量 5第2章 基于內(nèi)容的推薦 2.1 文本特征提取 6 2.1.1 詞袋模型 6 2.1.2 n-gram模型 9 2.1.3 特征哈希 10 2.2 TF-IDF（詞頻—逆文檔頻率） 12 2.2.1 詞頻計(jì)算 12 2.2.2 逆文檔頻率計(jì)算 13 2.2.3 TF-IDF權(quán)重計(jì)算 14 2.3 詞嵌入（word embedding） 15 2.3.1 分布式表示方法 15 2.3.2 使用Word2Vec模型 16 2.3.3 使用GloVe模型 17 2.4 主題模型（topic modeling） 17 2.4.1 潛在語義分析 17 2.4.2 主題模型的應(yīng)用 18 2.5 文本分類和標(biāo)簽提取 19 2.5.1 傳統(tǒng)機(jī)器學(xué)習(xí)方法 20 2.5.2 卷積神經(jīng)網(wǎng)絡(luò) 21 2.5.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 29 2.6 文本情感分析 31 2.6.1 機(jī)器學(xué)習(xí)方法 31 2.6.2 深度學(xué)習(xí)方法 33第3章 協(xié)同過濾推薦 3.1 協(xié)同過濾推薦介紹 38 3.2 基于用戶的協(xié)同過濾 38 3.2.1 基于用戶的協(xié)同過濾算法的基本步驟 38 3.2.2 Python的基于用戶的協(xié)同過濾算法 39 3.3 基于物品的協(xié)同過濾 40 3.3.1 計(jì)算物品之間的相似度 40 3.3.2 進(jìn)行推薦 41 3.4 基于模型的協(xié)同過濾 42 3.4.1 矩陣分解模型 42 3.4.2 基于圖的模型 44 3.5 混合型協(xié)同過濾 45第4章 混合推薦 4.1 特征層面的混合推薦 48 4.1.1 特征層面混合推薦介紹 48 4.1.2 用戶特征融合 48 4.1.3 物品特征融合 49 4.2 模型層面的混合推薦 50 4.2.1 基于加權(quán)融合的模型組合 51 4.2.2 基于集成學(xué)習(xí)的模型組合 52 4.2.3 基于混合排序的模型組合 53 4.2.4 基于協(xié)同訓(xùn)練的模型組合 56 4.3 策略層面的混合推薦 58 4.3.1 動(dòng)態(tài)選擇推薦策略 58 4.3.2 上下文感知的推薦策略 60第5章 基于標(biāo)簽的推薦 5.1 標(biāo)簽的獲取和處理方法 67 5.1.1 獲取用戶的標(biāo)簽 67 5.1.2 獲取物品的標(biāo)簽 69 5.1.3 標(biāo)簽預(yù)處理和特征提取 70 5.2 標(biāo)簽相似度計(jì)算方法 73 5.2.1 基于標(biāo)簽頻次的相似度計(jì)算 73 5.2.2 基于標(biāo)簽共現(xiàn)的相似度計(jì)算 74 5.2.3 基于標(biāo)簽語義的相似度計(jì)算 78 5.3 基于標(biāo)簽的推薦算法 79 5.3.1 基于用戶標(biāo)簽的推薦算法 79 5.3.2 基于物品標(biāo)簽的推薦算法 81 5.4 標(biāo)簽推薦系統(tǒng)的評(píng)估和優(yōu)化 83 5.4.1 評(píng)估指標(biāo)的選擇 83 5.4.2 優(yōu)化標(biāo)簽推薦效果 83第6章 基于知識(shí)圖譜的推薦 6.1 知識(shí)圖譜介紹 85 6.1.1 知識(shí)圖譜的定義和特點(diǎn) 85 6.1.2 知識(shí)圖譜的構(gòu)建方法 85 6.1.3 知識(shí)圖譜與個(gè)性化推薦的關(guān)系 86 6.2 知識(shí)表示和語義關(guān)聯(lián) 86 6.2.1 實(shí)體和屬性的表示 86 6.2.2 關(guān)系的表示和推理 88 6.2.3 語義關(guān)聯(lián)的計(jì)算和衡量 89 6.3 知識(shí)圖譜中的推薦算法 91 6.3.1 基于路徑體的推薦算法 91 6.3.2 基于實(shí)體的推薦算法 92 6.3.3 基于關(guān)系的推薦算法 95 6.3.4 基于知識(shí)圖譜推理的推薦算法 97第7章 基于隱語義模型的推薦 7.1 隱語義模型概述 99 7.1.1 隱語義模型介紹 99 7.1.2 隱語義模型在推薦系統(tǒng)中的應(yīng)用 99 7.2 潛在語義索引 100 7.2.1 LSI的基本思想和實(shí)現(xiàn)步驟 100 7.2.2 Python中的潛在語義索引實(shí)現(xiàn) 100 7.3 潛在狄利克雷分配 103 7.3.1 實(shí)現(xiàn)LDA的基本步驟 103 7.3.2 使用庫gensim構(gòu)建推薦系統(tǒng) 103 7.4 增強(qiáng)隱語義模型的信息來源 105 7.4.1 基于內(nèi)容信息的隱語義模型 105 7.4.2 時(shí)間和上下文信息的隱語義模型 107 7.4.3 社交網(wǎng)絡(luò)信息的隱語義模型 108第8章 基于神經(jīng)網(wǎng)絡(luò)的推薦模型 8.1 深度推薦模型介紹 111 8.1.1 傳統(tǒng)推薦模型的局限性 111 8.1.2 深度學(xué)習(xí)在推薦系統(tǒng)中的應(yīng)用 111 8.2 基于MLP的推薦模型 112 8.2.1 基于MLP推薦模型的流程 112 8.2.2 用戶和物品特征的編碼 112 8.3 基于卷積神經(jīng)網(wǎng)絡(luò)的推薦模型 114 8.3.1 卷積神經(jīng)網(wǎng)絡(luò)的用戶和物品特征的表示 114 8.3.2 卷積層和池化層的特征提取 114 8.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦模型 117 8.4.1 序列數(shù)據(jù)的建模 117 8.4.2 歷史行為序列的特征提取 120第9章 序列建模和注意力機(jī)制 9.1 序列建模 124 9.1.1 使用長短期記憶網(wǎng)絡(luò)建模 124 9.1.2 使用門控循環(huán)單元建模 128 9.2 注意力機(jī)制 130 9.2.1 注意力機(jī)制介紹 130 9.2.2 注意力機(jī)制在推薦系統(tǒng)中的作用 131 9.2.3 使用自注意力模型 131 9.3 使用Seq2Seq模型和注意力機(jī)制開發(fā)翻譯系統(tǒng) 134 9.3.1 Seq2Seq模型介紹 135 9.3.2 使用注意力機(jī)制改良Seq2Seq模型 135 9.3.3 準(zhǔn)備數(shù)據(jù)集 136 9.3.4 數(shù)據(jù)預(yù)處理 136 9.3.5 實(shí)現(xiàn)Seq2Seq 模型 139 9.3.6 訓(xùn)練模型 142 9.3.7 模型評(píng)估 146 9.3.8 訓(xùn)練和評(píng)估 147 9.3.9 注意力的可視化 148第10章 強(qiáng)化推薦學(xué)習(xí) 10.1 強(qiáng)化學(xué)習(xí)的基本概念 152 10.1.1 基本模型和原理 152 10.1.2 強(qiáng)化學(xué)習(xí)中的主要要素 152 10.1.3 網(wǎng)絡(luò)模型設(shè)計(jì) 153 10.1.4 強(qiáng)化學(xué)習(xí)算法和深度強(qiáng)化學(xué)習(xí) 153 10.2 強(qiáng)化學(xué)習(xí)算法 154 10.2.1 值迭代算法 154 10.2.2 Q-learning算法 155 10.2.3 蒙特卡洛方法算法 157 10.3 深度Q網(wǎng)絡(luò)算法 158 10.4 深度確定性策略梯度算法 160 10.4.1 DDPG算法的核心思想和基本思路 160 10.4.2 使用DDPG算法實(shí)現(xiàn)推薦系統(tǒng) 161 10.5 雙重深度Q網(wǎng)絡(luò)算法 163 10.5.1 雙重深度Q網(wǎng)絡(luò)介紹 163 10.5.2 基于雙重深度Q網(wǎng)絡(luò)的歌曲推薦系統(tǒng) 164 10.6 PPO策略優(yōu)化算法 167 10.6.1 PPO策略優(yōu)化算法介紹 167 10.6.2 使用PPO策略優(yōu)化算法實(shí)現(xiàn)推薦系統(tǒng) 168 10.7 TRPO算法 170 10.7.1 TRPO算法介紹 170 10.7.2 使用TRPO算法實(shí)現(xiàn)商品推薦系統(tǒng) 170 10.8 A3C算法 172 10.8.1 A3C算法介紹 172 10.8.2 使用A3C算法訓(xùn)練推薦系統(tǒng) 172第11章 實(shí)時(shí)電影推薦系統(tǒng)開發(fā) 11.1 系統(tǒng)介紹 176 11.1.1 背景介紹 176 11.1.2 推薦系統(tǒng)和搜索引擎 176 11.1.3 項(xiàng)目介紹 177 11.2 系統(tǒng)模塊 177 11.3 數(shù)據(jù)采集和整理 177 11.3.1 數(shù)據(jù)整理 177 11.3.2 電影詳情數(shù)據(jù) 180 11.4 情感分析和序列化操作 186 11.5 Web端實(shí)時(shí)推薦 187 11.5.1 Falsk啟動(dòng)頁面 187 11.5.2 模板文件 189 11.5.3 后端處理 194第12章 服裝推薦系統(tǒng)開發(fā) 12.1 背景介紹 202 12.2 系統(tǒng)分析 202 12.2.1 系統(tǒng)介紹 202 12.2.2 系統(tǒng)功能分析 202 12.3 準(zhǔn)備數(shù)據(jù)集 203 12.3.1 產(chǎn)品介紹 203 12.3.2 數(shù)據(jù)集介紹 203 12.4 工具類 204 12.4.1 讀取文件 204 12.4.2 寫入、保存數(shù)據(jù) 205 12.5 數(shù)據(jù)集處理 206 12.5.1 初步分析 206 12.5.2 數(shù)據(jù)清洗 213 12.5.3 探索性數(shù)據(jù)分析和特征工程 226 12.6 實(shí)現(xiàn)推薦模型 226 12.6.1 實(shí)現(xiàn)商品推薦和排序 226 12.6.2 排序模型 231 12.6.3 基于ResNet的圖像推薦模型 238 12.6.4 訓(xùn)練排名模型 247 12.6.5 數(shù)據(jù)處理和特征工程 248 12.6.6 損失處理 253 12.6.7 評(píng)估處理 254 12.7 系統(tǒng)主文件 256