本书循序渐进地讲解了使用Python语言开发推荐系统的核心知识，并通过具体实例的实现过程演练了各个知识点的使用方法和使用流程。全书共12章，包括推荐系统基础知识、基于内容的推荐、协同过滤推荐、混合推荐、基于标签的推荐、基于知识图谱的推荐、基于隐语义模型的推荐、基于神经网络的推荐模型、序列建模和注意力机制、强化推荐学习、实时电影推荐系统开发和服装推荐系统开发。本书内容简洁而不失技术深度，数据资料翔实齐全，并且易于阅读。
书中采用实例驱动教学的形式，将理论与实例相结合进行讲解，让读者在实战中掌握所学知识，并且从不同的方位展现一个知识点的用法，真正做到融会贯通。使用Python语言开发推荐系统的核心知识，帮助读者解决实际工作中的问题。书中还介绍了很多开发经验和技巧，让读者可以在学习过程中更轻松地理解相关知识点及概念，更快地掌握关键技术的应用技巧。
张百珂，计算机硕士，精通Cjavac python机器学习大数据等主流开发技术，2013~2020年就职于阿里，阿里搜索团队开发工程师，参与开发了BST模型的的架构工作。现在就职于浪潮信息，从事与源模型的研发工作。
第1章 推荐系统基础知识 1.1 推荐系统简介 1 1.1.1 推荐系统的应用领域 1 1.1.2 推荐系统的重要性 1 1.2 推荐系统和人工智能 2 1.2.1 机器学习 2 1.2.2 深度学习 2 1.2.3 推荐系统与人工智能的关系 2 1.3 推荐系统算法概览 3 1.4 推荐系统面临的挑战 3 1.4.1 用户隐私和数据安全问题 3 1.4.2 推荐算法的偏见和歧视 4 1.4.3 推荐系统的社会影响和道德考量 5第2章 基于内容的推荐 2.1 文本特征提取 6 2.1.1 词袋模型 6 2.1.2 n-gram模型 9 2.1.3 特征哈希 10 2.2 TF-IDF（词频逆文档频率） 12 2.2.1 词频计算 12 2.2.2 逆文档频率计算 13 2.2.3 TF-IDF权重计算 14 2.3 词嵌入（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 主题模型（topic modeling） 17 2.4.1 潜在语义分析 17 2.4.2 主题模型的应用 18 2.5 文本分类和标签提取 19 2.5.1 传统机器学习方法 20 2.5.2 卷积神经网络 21 2.5.3 循环神经网络 29 2.6 文本情感分析 31 2.6.1 机器学习方法 31 2.6.2 深度学习方法 33第3章 协同过滤推荐 3.1 协同过滤推荐介绍 38 3.2 基于用户的协同过滤 38 3.2.1 基于用户的协同过滤算法的基本步骤 38 3.2.2 Python的基于用户的协同过滤算法 39 3.3 基于物品的协同过滤 40 3.3.1 计算物品之间的相似度 40 3.3.2 进行推荐 41 3.4 基于模型的协同过滤 42 3.4.1 矩阵分解模型 42 3.4.2 基于图的模型 44 3.5 混合型协同过滤 45第4章 混合推荐 4.1 特征层面的混合推荐 48 4.1.1 特征层面混合推荐介绍 48 4.1.2 用户特征融合 48 4.1.3 物品特征融合 49 4.2 模型层面的混合推荐 50 4.2.1 基于加权融合的模型组合 51 4.2.2 基于集成学习的模型组合 52 4.2.3 基于混合排序的模型组合 53 4.2.4 基于协同训练的模型组合 56 4.3 策略层面的混合推荐 58 4.3.1 动态选择推荐策略 58 4.3.2 上下文感知的推荐策略 60第5章 基于标签的推荐 5.1 标签的获取和处理方法 67 5.1.1 获取用户的标签 67 5.1.2 获取物品的标签 69 5.1.3 标签预处理和特征提取 70 5.2 标签相似度计算方法 73 5.2.1 基于标签频次的相似度计算 73 5.2.2 基于标签共现的相似度计算 74 5.2.3 基于标签语义的相似度计算 78 5.3 基于标签的推荐算法 79 5.3.1 基于用户标签的推荐算法 79 5.3.2 基于物品标签的推荐算法 81 5.4 标签推荐系统的评估和优化 83 5.4.1 评估指标的选择 83 5.4.2 优化标签推荐效果 83第6章 基于知识图谱的推荐 6.1 知识图谱介绍 85 6.1.1 知识图谱的定义和特点 85 6.1.2 知识图谱的构建方法 85 6.1.3 知识图谱与个性化推荐的关系 86 6.2 知识表示和语义关联 86 6.2.1 实体和属性的表示 86 6.2.2 关系的表示和推理 88 6.2.3 语义关联的计算和衡量 89 6.3 知识图谱中的推荐算法 91 6.3.1 基于路径体的推荐算法 91 6.3.2 基于实体的推荐算法 92 6.3.3 基于关系的推荐算法 95 6.3.4 基于知识图谱推理的推荐算法 97第7章 基于隐语义模型的推荐 7.1 隐语义模型概述 99 7.1.1 隐语义模型介绍 99 7.1.2 隐语义模型在推荐系统中的应用 99 7.2 潜在语义索引 100 7.2.1 LSI的基本思想和实现步骤 100 7.2.2 Python中的潜在语义索引实现 100 7.3 潜在狄利克雷分配 103 7.3.1 实现LDA的基本步骤 103 7.3.2 使用库gensim构建推荐系统 103 7.4 增强隐语义模型的信息来源 105 7.4.1 基于内容信息的隐语义模型 105 7.4.2 时间和上下文信息的隐语义模型 107 7.4.3 社交网络信息的隐语义模型 108第8章 基于神经网络的推荐模型 8.1 深度推荐模型介绍 111 8.1.1 传统推荐模型的局限性 111 8.1.2 深度学习在推荐系统中的应用 111 8.2 基于MLP的推荐模型 112 8.2.1 基于MLP推荐模型的流程 112 8.2.2 用户和物品特征的编码 112 8.3 基于卷积神经网络的推荐模型 114 8.3.1 卷积神经网络的用户和物品特征的表示 114 8.3.2 卷积层和池化层的特征提取 114 8.4 基于循环神经网络的推荐模型 117 8.4.1 序列数据的建模 117 8.4.2 历史行为序列的特征提取 120第9章 序列建模和注意力机制 9.1 序列建模 124 9.1.1 使用长短期记忆网络建模 124 9.1.2 使用门控循环单元建模 128 9.2 注意力机制 130 9.2.1 注意力机制介绍 130 9.2.2 注意力机制在推荐系统中的作用 131 9.2.3 使用自注意力模型 131 9.3 使用Seq2Seq模型和注意力机制开发翻译系统 134 9.3.1 Seq2Seq模型介绍 135 9.3.2 使用注意力机制改良Seq2Seq模型 135 9.3.3 准备数据集 136 9.3.4 数据预处理 136 9.3.5 实现Seq2Seq 模型 139 9.3.6 训练模型 142 9.3.7 模型评估 146 9.3.8 训练和评估 147 9.3.9 注意力的可视化 148第10章 强化推荐学习 10.1 强化学习的基本概念 152 10.1.1 基本模型和原理 152 10.1.2 强化学习中的主要要素 152 10.1.3 网络模型设计 153 10.1.4 强化学习算法和深度强化学习 153 10.2 强化学习算法 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网络算法 158 10.4 深度确定性策略梯度算法 160 10.4.1 DDPG算法的核心思想和基本思路 160 10.4.2 使用DDPG算法实现推荐系统 161 10.5 双重深度Q网络算法 163 10.5.1 双重深度Q网络介绍 163 10.5.2 基于双重深度Q网络的歌曲推荐系统 164 10.6 PPO策略优化算法 167 10.6.1 PPO策略优化算法介绍 167 10.6.2 使用PPO策略优化算法实现推荐系统 168 10.7 TRPO算法 170 10.7.1 TRPO算法介绍 170 10.7.2 使用TRPO算法实现商品推荐系统 170 10.8 A3C算法 172 10.8.1 A3C算法介绍 172 10.8.2 使用A3C算法训练推荐系统 172第11章 实时电影推荐系统开发 11.1 系统介绍 176 11.1.1 背景介绍 176 11.1.2 推荐系统和搜索引擎 176 11.1.3 项目介绍 177 11.2 系统模块 177 11.3 数据采集和整理 177 11.3.1 数据整理 177 11.3.2 电影详情数据 180 11.4 情感分析和序列化操作 186 11.5 Web端实时推荐 187 11.5.1 Falsk启动页面 187 11.5.2 模板文件 189 11.5.3 后端处理 194第12章 服装推荐系统开发 12.1 背景介绍 202 12.2 系统分析 202 12.2.1 系统介绍 202 12.2.2 系统功能分析 202 12.3 准备数据集 203 12.3.1 产品介绍 203 12.3.2 数据集介绍 203 12.4 工具类 204 12.4.1 读取文件 204 12.4.2 写入、保存数据 205 12.5 数据集处理 206 12.5.1 初步分析 206 12.5.2 数据清洗 213 12.5.3 探索性数据分析和特征工程 226 12.6 实现推荐模型 226 12.6.1 实现商品推荐和排序 226 12.6.2 排序模型 231 12.6.3 基于ResNet的图像推荐模型 238 12.6.4 训练排名模型 247 12.6.5 数据处理和特征工程 248 12.6.6 损失处理 253 12.6.7 评估处理 254 12.7 系统主文件 256
书单推荐
