基本信息
- 出版社 : 电子工业出版社; 第1版 (2019年9月6日)
- 出版日期 : 2019年9月1日
- 品牌 : 电子工业出版社
- 语言 : 简体中文
- 文件大小 : 43223 KB
- 纸书页数 : 446页
- 黄美灵 (作者)
- 下载格式：azw3、epub、mobi
编辑推荐
本书系统、全面、深入地解析了推荐系统中的推荐算法，配有丰富的工程案例和源代码，可以帮助读者进行工程实践并在实际工作中应用
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，对推荐系统中的召回算法进行讲解，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。
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。
前言
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。
