书籍详情
推荐算法及应用
作者：高华玲 著
出版社：北京邮电大学出版社
出版时间：2021-01-01
ISBN：9787563562503
定价：¥29.80
购买这本书可以去
内容简介
本书是一本介绍推荐算法的基础教材，采用了“理论+实践”的形式组织内容。本书前6章用通俗易懂的方式介绍了经典推荐算法（主要包括基于内容的推荐算法、基于用户的协同过滤推荐算法、基于物品的协同过滤推荐算法、基于矩阵分解的协同过滤推荐算法、基于深度学习的推荐算法、混合推荐算法，以及推荐算法的评估）。本书后5章的推荐算法案例都是较为完整的推荐系统案例，核心代码非常精简，并易于在实际中扩展，可以说是入门级学习者必备的阅读资料。 本书适合高年级本科生、高校教师、研究生等学习，也可作为初入职场的推荐算法工程师的参考书。
作者简介
高华玲，女，1980.10生于河北唐山，三亚学院信息与智能工程学院讲师，2004年毕业于燕山大学理学院信息与计算科学专业，获学士学位。2011年毕业于广西师范大学计算机科学与信息工程学院，获工学硕士学位。主要从事计算机教育、图像处理、视觉计算、大数据可视化、推荐算法等方面的研究。主持三亚市科研项目《智能视频监控技术的研究与应用》，校内科研项目《面向旅游领域的语义搜索引擎研究》和《基于信息隐藏的多媒体数据传输技术研究》，发表学术论文10余篇，主编教材《C语言程序设计思想与实践研究》，参编教材《深度学习》、《大学计算机基础与实训教程》。
目录
目录
第一部分推荐算法理论部分
第1章推荐算法基础3
1.1推荐算法的定义3
1.2推荐系统发展简史4
1.3推荐系统分类6
1.3.1基于内容的推荐算法7
1.3.2基于协同过滤的推荐算法8
1.3.3混合推荐算法10
1.3.4特定推荐算法11
1.4推荐系统与搜索引擎的关系11
1.5推荐算法的应用13
1.5.1新闻的推荐14
1.5.2视频的推荐15
1.5.3商品的推荐16
1.5.4短视频的推荐17
1.5.5社交媒体的推荐17
第2章基于内容的推荐算法19
2.1TFIDF计算内容相似20
2.1.1TFIDF的概念20
2.1.2计算文章相似性21
2.1.3TFIDF算法的实现22
2.2用Word2Vec计算内容相似26
2.2.1CBOW OneWord Context模型26
2.2.2CBOW MultiWord Context模型30
2.2.3SkipGram模型31
2.3算法优化33
2.3.1分层Softmax33
2.3.2负采样35
2.3.3对高频词进行下采样36
2.4基于内容的推荐算法的过程36
2.4.1内容表征36
2.4.2特征学习37
2.4.3生成推荐列表38
第3章协同过滤推荐算法39
3.1基于用户的协同过滤推荐算法39
3.1.1基础算法39
3.1.2用户相似度计算的改进44
3.1.3UserCF推荐算法的详细过程45
3.2基于物品的协同过滤推荐算法48
3.2.1基于用户的协同过滤推荐算法和基于物品的协同过滤推荐算法的区别48
3.2.2基础算法50
3.2.3用户活跃度对物品相似度的影响55
3.2.4物品相似度的归一化57
3.2.5ItemCF推荐算法的详细过程57
3.3基于矩阵分解的协同过滤推荐算法61
3.3.1显式数据和隐式数据61
3.3.2显式矩阵分解62
3.3.3隐式矩阵分解63
3.3.4增量矩阵分解算法65
3.3.5推荐结果的可解释性66
第4章基于深度学习的推荐算法67
4.1深度学习的定义67
4.2基于深度学习的推荐68
4.2.1DNN算法68
4.2.2DeepFM算法73
4.2.3基于矩阵分解和图像特征的推荐75
4.2.4基于循环神经网络的推荐76
4.2.5基于生成式对抗网络的推荐77
第5章混合推荐算法80
5.1混合推荐系统概述80
5.1.1混合推荐的意义80
5.1.2混合推荐算法的分类82
5.2推荐系统特征处理方法84
5.2.1特征处理方法84
5.2.2特征选取方法86
5.3常见的预测模型88
5.3.1基于逻辑回归的模型88
5.3.2基于支持向量机的模型89
5.3.3基于梯度提升树的模型90
5.4排序学习91
5.4.1基于排序的指标来优化91
5.4.2L2R算法的3种情形92
第6章推荐算法的评估95
6.1可解释性95
6.2算法评价96
6.3研究前景98
第二部分推荐算法应用案例
第7章基于内容的推荐案例105
7.1数据集106
7.2数据预处理106
7.3使用mysql存储数据109
7.4分词112
7.5基于TFIDF的推荐114
7.6训练词向量116
7.7基于Word2Vec的推荐119
第8章基于用户的协同过滤推荐案例122
8.1导入数据122
8.2用户相似度计算123
8.3物品评分排名124
8.4推荐主函数126
第9章基于物品的协同过滤推荐案例127
9.1基本概念127
9.2基于物品的推荐127
第10章基于矩阵分解的推荐案例132
10.1利用梯度下降法对矩阵进行分解132
10.2基于非负矩阵分解的推荐136
第11章基于深度学习的推荐案例139
11.1数据集139
11.2基于线性模型的简单案例140
11.3基于文本卷积神经网络的推荐142
11.3.1数据预处理142
11.3.2模型训练147
11.3.3模型预测157
11.3.4推荐排序160
11.3.5PyQt5界面开发165
参考文献169
第一部分推荐算法理论部分
第1章推荐算法基础3
1.1推荐算法的定义3
1.2推荐系统发展简史4
1.3推荐系统分类6
1.3.1基于内容的推荐算法7
1.3.2基于协同过滤的推荐算法8
1.3.3混合推荐算法10
1.3.4特定推荐算法11
1.4推荐系统与搜索引擎的关系11
1.5推荐算法的应用13
1.5.1新闻的推荐14
1.5.2视频的推荐15
1.5.3商品的推荐16
1.5.4短视频的推荐17
1.5.5社交媒体的推荐17
第2章基于内容的推荐算法19
2.1TFIDF计算内容相似20
2.1.1TFIDF的概念20
2.1.2计算文章相似性21
2.1.3TFIDF算法的实现22
2.2用Word2Vec计算内容相似26
2.2.1CBOW OneWord Context模型26
2.2.2CBOW MultiWord Context模型30
2.2.3SkipGram模型31
2.3算法优化33
2.3.1分层Softmax33
2.3.2负采样35
2.3.3对高频词进行下采样36
2.4基于内容的推荐算法的过程36
2.4.1内容表征36
2.4.2特征学习37
2.4.3生成推荐列表38
第3章协同过滤推荐算法39
3.1基于用户的协同过滤推荐算法39
3.1.1基础算法39
3.1.2用户相似度计算的改进44
3.1.3UserCF推荐算法的详细过程45
3.2基于物品的协同过滤推荐算法48
3.2.1基于用户的协同过滤推荐算法和基于物品的协同过滤推荐算法的区别48
3.2.2基础算法50
3.2.3用户活跃度对物品相似度的影响55
3.2.4物品相似度的归一化57
3.2.5ItemCF推荐算法的详细过程57
3.3基于矩阵分解的协同过滤推荐算法61
3.3.1显式数据和隐式数据61
3.3.2显式矩阵分解62
3.3.3隐式矩阵分解63
3.3.4增量矩阵分解算法65
3.3.5推荐结果的可解释性66
第4章基于深度学习的推荐算法67
4.1深度学习的定义67
4.2基于深度学习的推荐68
4.2.1DNN算法68
4.2.2DeepFM算法73
4.2.3基于矩阵分解和图像特征的推荐75
4.2.4基于循环神经网络的推荐76
4.2.5基于生成式对抗网络的推荐77
第5章混合推荐算法80
5.1混合推荐系统概述80
5.1.1混合推荐的意义80
5.1.2混合推荐算法的分类82
5.2推荐系统特征处理方法84
5.2.1特征处理方法84
5.2.2特征选取方法86
5.3常见的预测模型88
5.3.1基于逻辑回归的模型88
5.3.2基于支持向量机的模型89
5.3.3基于梯度提升树的模型90
5.4排序学习91
5.4.1基于排序的指标来优化91
5.4.2L2R算法的3种情形92
第6章推荐算法的评估95
6.1可解释性95
6.2算法评价96
6.3研究前景98
第二部分推荐算法应用案例
第7章基于内容的推荐案例105
7.1数据集106
7.2数据预处理106
7.3使用mysql存储数据109
7.4分词112
7.5基于TFIDF的推荐114
7.6训练词向量116
7.7基于Word2Vec的推荐119
第8章基于用户的协同过滤推荐案例122
8.1导入数据122
8.2用户相似度计算123
8.3物品评分排名124
8.4推荐主函数126
第9章基于物品的协同过滤推荐案例127
9.1基本概念127
9.2基于物品的推荐127
第10章基于矩阵分解的推荐案例132
10.1利用梯度下降法对矩阵进行分解132
10.2基于非负矩阵分解的推荐136
第11章基于深度学习的推荐案例139
11.1数据集139
11.2基于线性模型的简单案例140
11.3基于文本卷积神经网络的推荐142
11.3.1数据预处理142
11.3.2模型训练147
11.3.3模型预测157
11.3.4推荐排序160
11.3.5PyQt5界面开发165
参考文献169
猜您喜欢
