推薦系統(tǒng)核心技術(shù)與實(shí)踐

第1章  推薦系統(tǒng)基礎(chǔ)知識(shí)介紹 1
1.1  推薦系統(tǒng)簡(jiǎn)介 2
1.1.1  推薦系統(tǒng)的應(yīng)用領(lǐng)域 2
1.1.2  推薦系統(tǒng)的重要性 2
1.2  推薦系統(tǒng)和人工智能 3
1.2.1  機(jī)器學(xué)習(xí) 3
1.2.2  深度學(xué)習(xí) 4
1.2.3  推薦系統(tǒng)與人工智能的關(guān)系 4
1.3  推薦系統(tǒng)算法概覽 5
1.4  推薦系統(tǒng)面臨的挑戰(zhàn) 6
1.4.1  用戶隱私和數(shù)據(jù)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(huì)影響和道德考量 8
第2章  基于內(nèi)容的推薦 9
2.1  文本特征提取 10
2.1.1  詞袋模型 10
2.1.2  n-gram模型 14
2.1.3  特征哈希 16
2.2  TF-IDF(詞頻-逆文檔頻率) 18
2.2.1  詞頻計(jì)算 19
2.2.2  逆文檔頻率計(jì)算 20
2.2.3  TF-IDF權(quán)重計(jì)算 22
2.3  詞嵌入 23
2.3.1  分布式表示方法 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  隱含狄利克雷分布 28
2.4.3  主題模型的應(yīng)用 29
2.5  文本分類和標(biāo)簽提取 31
2.5.1  傳統(tǒng)機(jī)器學(xué)習(xí) 31
2.5.2  卷積神經(jīng)網(wǎng)絡(luò) 34
2.5.3  循環(huán)神經(jīng)網(wǎng)絡(luò) 45
2.6  文本情感分析 48
2.6.1  機(jī)器學(xué)習(xí)方法 48
2.6.2  深度學(xué)習(xí)方法 50
第3章  協(xié)同過濾推薦 57
3.1  協(xié)同過濾推薦介紹 58
3.2  基于用戶的協(xié)同過濾 58
3.2.1  基于用戶的協(xié)同過濾推薦算法的基本步驟 58
3.2.2  使用Python實(shí)現(xiàn)基于用戶的協(xié)同過濾推薦 59
3.3  基于物品的協(xié)同過濾 61
3.3.1  計(jì)算物品之間的相似度 61
3.3.2  協(xié)同過濾推薦實(shí)踐 62
3.4  基于模型的協(xié)同過濾 63
3.4.1  矩陣分解模型 64
3.4.2  基于圖的模型 66
3.5  混合型協(xié)同過濾 69
第4章  混合推薦 73
4.1  特征層面的混合推薦 74
4.1.1  特征層面混合推薦介紹 74
4.1.2  用戶特征融合 74
4.1.3  物品特征融合 76
4.2  模型層面的混合推薦 78
4.2.1  基于加權(quán)融合的模型組合 78
4.2.2  基于集成學(xué)習(xí)的模型組合 80
4.2.3  基于混合排序的模型組合 82
4.2.4  基于協(xié)同訓(xùn)練的模型組合 86
4.3  策略層面的混合推薦 88
4.3.1  動(dòng)態(tài)選擇推薦策略 88
4.3.2  上下文感知的推薦策略 91
第5章  基于標(biāo)簽的推薦 101
5.1  標(biāo)簽的獲取和處理 102
5.1.1  獲取用戶的標(biāo)簽 102
5.1.2  獲取物品的標(biāo)簽 104
5.1.3  標(biāo)簽預(yù)處理和特征提取 106
5.2  標(biāo)簽相似度計(jì)算 110
5.2.1  基于標(biāo)簽頻次的相似度計(jì)算 110
5.2.2  基于標(biāo)簽共現(xiàn)的相似度計(jì)算 112
5.2.3  基于標(biāo)簽語義的相似度計(jì)算 118
5.3  基于標(biāo)簽的推薦算法 119
5.3.1  基于用戶標(biāo)簽的推薦算法 120
5.3.2  基于物品標(biāo)簽的推薦算法 123
5.4  標(biāo)簽推薦系統(tǒng)的評(píng)估和優(yōu)化 125
5.4.1  評(píng)估指標(biāo)的選擇 125
5.4.2  優(yōu)化標(biāo)簽推薦效果 126
第6章  基于知識(shí)圖譜的推薦 127
6.1  知識(shí)圖譜介紹 128
6.1.1  知識(shí)圖譜的定義和特點(diǎn) 128
6.1.2  知識(shí)圖譜的構(gòu)建方法 129
6.1.3  知識(shí)圖譜與個(gè)性化推薦的關(guān)系 129
6.2  知識(shí)表示和語義關(guān)聯(lián) 130
6.2.1  實(shí)體和屬性的表示 130
6.2.2  關(guān)系的表示和推理 132
6.2.3  語義關(guān)聯(lián)的計(jì)算和衡量 134
6.3  知識(shí)圖譜中的推薦算法 137
6.3.1  基于路徑的推薦算法 137
6.3.2  基于實(shí)體的推薦算法 139
6.3.3  基于關(guān)系的推薦算法 142
6.3.4  基于知識(shí)圖譜推理的推薦算法 146
第7章  基于隱語義模型的推薦 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(tǒng)中的應(yīng)用 151
7.2  潛在語義索引 151
7.2.1  LSI的基本思想和實(shí)現(xiàn)步驟 151
7.2.2  使用Python實(shí)現(xiàn)潛在語義索引 152
7.3  潛在狄利克雷分配 155
7.3.1  實(shí)現(xiàn)LDA的基本步驟 155
7.3.2  使用庫Gensim構(gòu)建推薦系統(tǒng) 156
7.4  增強(qiáng)隱語義模型的信息來源 159
7.4.1  基于內(nèi)容信息的隱語義模型 159
7.4.2  時(shí)間和上下文信息的隱語義模型 161
7.4.3  社交網(wǎng)絡(luò)信息的隱語義模型 163
第8章  基于神經(jīng)網(wǎng)絡(luò)的推薦模型 167
8.1  深度推薦模型介紹 168
8.1.1  傳統(tǒng)推薦模型的局限性 168
8.1.2  深度學(xué)習(xí)在推薦系統(tǒng)中的應(yīng)用 168
8.2  基于多層感知器的推薦模型 169
8.2.1  基于MLP推薦模型的流程 169
8.2.2  用戶和物品特征的編碼 170
8.3  基于卷積神經(jīng)網(wǎng)絡(luò)的推薦模型 172
8.3.1  卷積神經(jīng)網(wǎng)絡(luò)的用戶和物品特征的表示 172
8.3.2  卷積層和池化層的特征提取 173
8.4  基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦模型 177
8.4.1  序列數(shù)據(jù)的建模 178
8.4.2  歷史行為序列的特征提取 182
8.5  基于自注意力機(jī)制的推薦模型 185
8.5.1  自注意力機(jī)制介紹 186
8.5.2  使用基于自注意力機(jī)制的推薦模型 186
8.6  基于強(qiáng)化學(xué)習(xí)的推薦模型 190
8.6.1  基于強(qiáng)化學(xué)習(xí)的推薦模型的構(gòu)成 190
8.6.2  Q-learning算法 191
8.6.3  深度Q網(wǎng)絡(luò)算法介紹 193
第9章  序列建模和注意力機(jī)制 203
9.1  序列建模 204
9.1.1  使用長短期記憶網(wǎng)絡(luò)建模 204
9.1.2  使用門控循環(huán)單元建模 210
9.2  注意力機(jī)制 213
9.2.1  注意力機(jī)制介紹 213
9.2.2  注意力機(jī)制在推薦系統(tǒng)中的作用 214
9.2.3  使用自注意力模型 215
9.3  使用Seq2Seq模型和注意力機(jī)制實(shí)現(xiàn)翻譯系統(tǒng) 219
9.3.1  Seq2Seq模型介紹 220
9.3.2  使用注意力機(jī)制改良Seq2Seq模型 221
9.3.3  準(zhǔn)備數(shù)據(jù)集 222
9.3.4  數(shù)據(jù)預(yù)處理 222
9.3.5  實(shí)現(xiàn)Seq2Seq 模型 226
9.3.6  訓(xùn)練模型 232
9.3.7  模型評(píng)估 237
9.3.8  訓(xùn)練和評(píng)估 238
9.3.9  注意力的可視化 240
第10章  強(qiáng)化推薦學(xué)習(xí) 245
10.1  強(qiáng)化學(xué)習(xí)的基本概念 246
10.1.1  基本模型和原理 246
10.1.2  強(qiáng)化學(xué)習(xí)中的要素 247
10.1.3  網(wǎng)絡(luò)模型設(shè)計(jì) 247
10.1.4  強(qiáng)化學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí) 248
10.2  強(qiáng)化學(xué)習(xí)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(shí)現(xiàn)推薦 系統(tǒng) 254
10.4  雙重深度Q網(wǎng)絡(luò)算法 257
10.4.1  雙重深度Q網(wǎng)絡(luò)介紹 257
10.4.2  基于雙重深度Q網(wǎng)絡(luò)的歌曲 推薦系統(tǒng) 257
10.5  PPO策略優(yōu)化算法 262
10.5.1  PPO策略優(yōu)化算法介紹 262
10.5.2  使用PPO策略優(yōu)化算法實(shí)現(xiàn) 推薦系統(tǒng) 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(shí)現(xiàn)商品 推薦系統(tǒng) 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(xùn)練推薦 系統(tǒng) 269
第11章  電影推薦系統(tǒng) 273
11.1  系統(tǒng)介紹 274
11.1.1  背景介紹 274
11.1.2  推薦系統(tǒng)和搜索引擎 275
11.1.3  項(xiàng)目介紹 275
11.2  系統(tǒng)模塊 276
11.3  探索性數(shù)據(jù)分析 277
11.3.1  導(dǎo)入庫文件 277
11.3.2  數(shù)據(jù)預(yù)處理 278
11.3.3  數(shù)據(jù)可視化 282
11.4  推薦系統(tǒng) 296
11.4.1  混合推薦系統(tǒng) 297
11.4.2  深度學(xué)習(xí)推薦系統(tǒng) 303
第12章  動(dòng)漫推薦系統(tǒng) 313
12.1  背景介紹 314
12.1.1  動(dòng)漫發(fā)展現(xiàn)狀 314
12.1.2  動(dòng)漫未來的發(fā)展趨勢(shì) 314
12.2  系統(tǒng)分析 315
12.2.1  需求分析 315
12.2.2  系統(tǒng)目標(biāo)分析 315
12.2.3  系統(tǒng)功能分析 316
12.3  準(zhǔn)備數(shù)據(jù)集 316
12.3.1  動(dòng)漫信息數(shù)據(jù)集 317
12.3.2  評(píng)分信息數(shù)據(jù)集 317
12.3.3  導(dǎo)入數(shù)據(jù)集 317
12.4  數(shù)據(jù)分析 318
12.4.1  基礎(chǔ)數(shù)據(jù)探索方法 318
12.4.2  數(shù)據(jù)集摘要 321
12.4.3  深入挖掘 325
12.4.4  熱門動(dòng)漫 327
12.4.5  統(tǒng)計(jì)動(dòng)漫類別 328
12.4.6  總體動(dòng)漫評(píng)價(jià) 331
12.4.7  基于評(píng)分的熱門動(dòng)漫 334
12.4.8  按類別劃分的動(dòng)漫評(píng)分 分布 335
12.4.9  動(dòng)漫類型 343
12.4.10  最終數(shù)據(jù)預(yù)處理 345
12.5  推薦系統(tǒng) 346
12.5.1  協(xié)同過濾推薦系統(tǒng) 346
12.5.2  基于內(nèi)容的推薦系統(tǒng) 349
12.6  總結(jié) 352