《推薦系統(tǒng)實戰(zhàn)寶典》主要圍繞推薦系統(tǒng)進行講解，全面介紹了掌握推薦系統(tǒng)技術(shù)所需要學(xué)習(xí)的算法及步驟。書中描述了基于點擊率評估、RBM的推薦，基于標(biāo)簽的推薦，基于用戶行為、內(nèi)容、模型、流行度、鄰域、圖的推薦，以及基于上下文的推薦，還有使用自然語言處理或者矩陣分解的推薦，包括算法原理的介紹，對于每一種推薦方式也做了細(xì)粒度的分析及場景化的應(yīng)用。還分享了作者在實際應(yīng)用中的解決方案及擴展思路。除此之外，本書還會涉及一些基礎(chǔ)算法及數(shù)學(xué)知識，并且包括對于推薦算法的一些模型評估以及校驗的描述。閱讀本書可以幫助讀者學(xué)習(xí)基礎(chǔ)算法和推薦算法的原理及實際應(yīng)用，同時還能學(xué)習(xí)到推薦系統(tǒng)開發(fā)的設(shè)計思想、設(shè)計模式、開發(fā)流程等。這些對于讀者全面提高自己的推薦系統(tǒng)開發(fā)水平有很大的幫助。
《推薦系統(tǒng)實戰(zhàn)寶典》為讀者提供了全部案例源代碼下載和超過1100分鐘的高清學(xué)習(xí)視頻，讀者可直接掃描二維碼觀看。
《推薦系統(tǒng)實戰(zhàn)寶典》適合從事推薦系統(tǒng)相關(guān)領(lǐng)域研發(fā)的人員、高年級本科生或研究生、熱衷于推薦系統(tǒng)開發(fā)的讀者閱讀。
1. 內(nèi)容實用：以推薦系統(tǒng)開發(fā)工程師的視角講解算法知識和實操流程，同時包含了推薦算法的全新思想（如融合Match中協(xié)同過濾思想的深度排序模型）。
2. 資源豐富：附贈113段、超過1100分鐘的高清視頻教程和全部案例的源代碼。
由于技術(shù)知識領(lǐng)域特別廣，我們不可能針對所有的技術(shù)都了解得特別通透，因此只有選好了一個領(lǐng)域，才可以對某項技術(shù)有更深入的研究，學(xué)習(xí)的內(nèi)容才會更加系統(tǒng)化，而推薦系統(tǒng)就是筆者持續(xù)研究的技術(shù)領(lǐng)域。我將社區(qū)上一些比較有意思的東西積累起來，針對一些疑難問題也會將它們記錄下來，在這樣的不斷閱讀、寫作過程中，我得到了快速成長。目前，推薦系統(tǒng)領(lǐng)域?qū)崙?zhàn)類相關(guān)的書籍并不是很多，所以我將關(guān)于推薦系統(tǒng)方面的知識進行整理、改進，同時也加入了一些工作中積累的知識。本書的內(nèi)容不局限于理論知識的講解，還包括了實戰(zhàn)項目的開發(fā)環(huán)節(jié)。
《推薦系統(tǒng)實戰(zhàn)寶典》不是僅僅關(guān)于推薦算法的分析書籍，書中還囊括了很多實例。首先，本書會先講解算法，然后針對每一個算法都會有一個實戰(zhàn)的項目，該項目可以是一個小例子，也可以是一個工作中遇到的大型項目。其次，本書會是一個比較新的書，這里的新并不是指所分析的代碼或者是講解的算法新，它的新包含了兩點，第一點是會帶領(lǐng)讀者了解到要成為一名推薦系統(tǒng)開發(fā)工程師都需要掌握什么知識，還有實現(xiàn)推薦系統(tǒng)都需要什么流程，書中提到的知識不一定會有詳細(xì)的講解，比如數(shù)學(xué)章節(jié)，由于本書的重點不在于數(shù)學(xué)知識的學(xué)習(xí)，因此只會略微提及，并且會使用實例來幫助讀者理解，這么做的目的是讓讀者在集中學(xué)習(xí)推薦算法的同時，認(rèn)識到基礎(chǔ)是非常重要的，很多關(guān)于機器學(xué)習(xí)領(lǐng)域更深層次的研究或者工作，正是由于基礎(chǔ)知識的積累，才可以達(dá)到想要的高度；第二點的新指的是本書還包含了推薦系統(tǒng)在一些新領(lǐng)域的應(yīng)用實例，以及一些關(guān)于推薦算法的全新思想（如融合Match中協(xié)同過濾思想的深度排序模型）。讀者將在本書中領(lǐng)略到一些在機器學(xué)習(xí)中經(jīng)常被提到的算法是怎么應(yīng)用在推薦系統(tǒng)中的。期待本書能給廣大讀者帶來更多的啟發(fā)。
《推薦系統(tǒng)實戰(zhàn)寶典》適合具有一定Java語言、Python語言基礎(chǔ)的讀者，尤其適合以下讀者朋友：
1）大數(shù)據(jù)開發(fā)工程師、機器學(xué)習(xí)開發(fā)工程師、推薦系統(tǒng)開發(fā)工程師。
2）高年級本科生或研究生。
3）熱衷于推薦系統(tǒng)開發(fā)的技術(shù)愛好者。
《推薦系統(tǒng)實戰(zhàn)寶典》分為五大部分：推薦系統(tǒng)介紹篇（第1章）包括推薦系統(tǒng)概述；推薦系統(tǒng)基礎(chǔ)篇（第2～3章）包括機器學(xué)習(xí)準(zhǔn)備工作、機器學(xué)習(xí)基礎(chǔ)讓推薦系統(tǒng)更懂你；推薦系統(tǒng)進階篇（第4～7章）包括基于點擊率預(yù)估、RBM的推薦，基于標(biāo)簽的推薦，推薦算法，推薦系統(tǒng)冷啟動及召回方法；推薦系統(tǒng)強化篇（第8～11章）包括基于上下文的推薦、文本處理、使用矩陣分解的推薦、推薦模型預(yù)估與選擇；推薦系統(tǒng)實戰(zhàn)篇（第12～17章）包括搭建一個簡易版的生產(chǎn)環(huán)境推薦系統(tǒng)、新聞資訊推薦系統(tǒng)開發(fā)、電影推薦系統(tǒng)開發(fā)、基于hbase spark的廣告精準(zhǔn)投放及推薦系統(tǒng)開發(fā)、基于推薦功能的搜索引擎開發(fā)、基于卷積神經(jīng)網(wǎng)絡(luò)提取特征構(gòu)建推薦系統(tǒng)。
最后感謝我的家人、朋友、同事以及機械工業(yè)出版社的編輯，你們在工作、生活和寫作中不斷給予我?guī)椭椭С�，協(xié)助我解決各種各樣的問題。正因如此才有了本書中所展現(xiàn)的精彩內(nèi)容。
由于編者水平有限，書中難免會有錯漏之處，懇請讀者批評指正。各位讀者可以將關(guān)于本書的意見和建議發(fā)送到郵箱：1697312000@qq.com。本書涉及的源碼可通過郵件獲取。
1. 呂倩倩，女，2018年畢業(yè)于沈陽航空航天大學(xué)軟件工程專業(yè)，獲工學(xué)學(xué)士學(xué)位。原商品交易所大數(shù)據(jù)開發(fā)工程師，現(xiàn)任花旗銀行大數(shù)據(jù)開發(fā)工程師。2015年獲得ACM-ICPC大賽三等獎；2016年獲得美國數(shù)學(xué)建模競賽一等獎、亞太數(shù)學(xué)建模二等獎，并多次獲得全國大學(xué)生數(shù)學(xué)建模競賽一等獎、二等獎；2018年獲得阿里云ACA認(rèn)證證書。
2. 陳欣，女，華南農(nóng)業(yè)大學(xué)電子工程學(xué)院/人工智能學(xué)院副教授，碩士研究生導(dǎo)師，華南農(nóng)業(yè)大學(xué)高層次引進人才。主持多項國家自然科學(xué)基金、廣東省自然科學(xué)基金項目，在國內(nèi)外學(xué)術(shù)期刊上發(fā)表論文20余篇，在步態(tài)識別方面的研究成果被央視專題報道，圍繞該成果錄制的《極客出發(fā)》節(jié)目在央視黃金時段播出。
第1部分 推薦系統(tǒng)介紹篇
第1章 推薦系統(tǒng)概述／2
1.1 什么是推薦系統(tǒng)／2
1.2 推薦系統(tǒng)的架構(gòu)／3
1.3 推薦系統(tǒng)架構(gòu)治理／4
1.4 推薦引擎的架構(gòu)／5
1.5 推薦系統(tǒng)的應(yīng)用／9
1.5.1 電影和視頻網(wǎng)站／9
1.5.2 個性化音樂電臺／10
1.5.3 個性化廣告及搜索廣告／10
1.5.4 多業(yè)務(wù)融合推薦策略實踐與思考／11
1.6 推薦系統(tǒng)評測／11
1.6.1 推薦系統(tǒng)實驗方法／12
1.6.2 評測指標(biāo)／13
1.6.3 評測維度／14
1.7 推薦系統(tǒng)知識儲備／14
第2部分 推薦系統(tǒng)基礎(chǔ)篇
第2章 機器學(xué)習(xí)準(zhǔn)備工作／16
2.1 機器學(xué)習(xí)緒論／18
2.1.1 數(shù)據(jù)積累／18
2.1.2 特征（過濾法、包裝法、嵌入法）／18
2.1.3 模型的不可解釋性／22
2.2 數(shù)學(xué)基礎(chǔ)知識／23
2.2.1 微積分／23
2.2.2 統(tǒng)計學(xué)／29
2.2.3 線性代數(shù)／35
2.2.4 信息論基礎(chǔ)／36
2.2.5 凸優(yōu)化／37
2.3 Python編程／39
第3章 機器學(xué)習(xí)基礎(chǔ)讓推薦系統(tǒng)更懂你／49
3.1 貝葉斯分類器／49
3.1.1 貝葉斯決策論／53
3.1.2 大似然估計／57
3.1.3 EM算法／59
3.1.4 垃圾郵件過濾實戰(zhàn)／62
3.2 決策樹／65
3.3 支持向量機（SVM）／70
3.3.1 SVM介紹／70
3.3.2 半監(jiān)督SVM／71
3.4 KNN算法／71
3.5 線性回歸／73
3.6 邏輯回歸／77
3.7 Spark MLlib／79
3.7.1 Spark MLlib簡介／79
3.7.2 Spark MLlib矩陣計算／80
3.7.3 Spark MLlib實現(xiàn)分類算法／81
3.7.4 Spark MLlib實現(xiàn)回歸算法／81
3.7.5 Spark MLlib實現(xiàn)聚類算法／82
3.8 聚類任務(wù)／82
3.8.1 k均值聚類算法／82
3.8.2 高斯混合聚類／85
第3部分 推薦系統(tǒng)進階篇
第4章 基于點擊率預(yù)估、RBM的推薦／94
4.1 傳統(tǒng)推薦算法的局限和應(yīng)用／94
4.1.1 傳統(tǒng)推薦算法的局限／94
4.1.2 傳統(tǒng)推薦算法的應(yīng)用／95
4.1.3 點擊率預(yù)估在推薦系統(tǒng)中的應(yīng)用／95
4.2 集成學(xué)習(xí)（Ensemble Learning）／95
4.2.1 GBDT／96
4.2.2 XgBoost／97
4.2.3 Bagging與隨機森林／98
4.3 實例：基于RBM的推薦算法／102
第5章 基于標(biāo)簽的推薦／104
5.1 基于標(biāo)簽系統(tǒng)的應(yīng)用／104
5.2 數(shù)據(jù)標(biāo)注與關(guān)鍵詞提�。�104
5.2.1 推薦系統(tǒng)中的數(shù)據(jù)標(biāo)注／104
5.2.2 推薦系統(tǒng)中的關(guān)鍵詞提�。�105
5.2.3 標(biāo)簽的分類／106
5.3 基于標(biāo)簽的推薦系統(tǒng)／106
5.3.1 標(biāo)簽評分算法／106
5.3.2 標(biāo)簽評分算法改進／107
5.3.3 標(biāo)簽基因／107
5.3.4 用戶興趣建模／107
5.4 實例：使用標(biāo)簽推薦算法實現(xiàn)藝術(shù)家的推薦／108
5.4.1 了解實現(xiàn)思路／108
5.4.2 準(zhǔn)備數(shù)據(jù)／108
5.4.3 選擇算法／109
5.4.4 模型訓(xùn)練／109
5.4.5 效果評估／110
第6章 推薦算法／112
6.1 基于內(nèi)容的推薦算法／112
6.2 基于用戶行為特征的推薦算法／113
6.2.1 User-Based CF詳解及優(yōu)化／114
6.2.2 Item-Based CF詳解及優(yōu)化／115
6.2.3 融合Match中協(xié)同過濾思想的深度排序模型／116
6.3 基于模型的推薦算法／117
6.4 基于流行度的推薦算法／118
6.5 混合算法／119
6.6 基于圖的模型／120
6.6.1 用戶行為數(shù)據(jù)的二分圖表示／120
6.6.2 基于圖的推薦算法／121
6.7 基于社交網(wǎng)絡(luò)的推薦／121
6.7.1 基于鄰域的社會化推薦算法／121
6.7.2 基于圖的社會化推薦算法／122
6.8 Slope-one推薦算法／122
6.9 基于DNN的推薦算法介紹／123
6.10 基于TF實現(xiàn)稀疏自編碼和在推薦中的應(yīng)用／124
6.11 聯(lián)邦推薦算法及應(yīng)用／127
第7章 推薦系統(tǒng)冷啟動及召回方法／131
7.1 冷啟動問題簡介／131
7.2 選擇合適的物品啟動用戶的興趣／131
7.3 利用物品的內(nèi)容信息／132
7.4 Multi-View DNN模型解決用戶冷啟動／132
第4部分 推薦系統(tǒng)強化篇
第8章 基于上下文的推薦／134
8.1 基于時間特征的推薦／134
8.1.1 時間效應(yīng)介紹／134
8.1.2 推薦系統(tǒng)的實時性／135
8.1.3 協(xié)同過濾中的時間因子／135
8.2 實例：增加時間衰減函數(shù)的協(xié)同過濾算法／136
8.2.1 在UserCF算法中增加時間衰減函數(shù)／136
8.2.2 在ItemCF算法中增加時間衰減函數(shù)／137
第9章 文本處理／139
9.1 Word2Vec／139
9.1.1 Word2Vec簡介／139
9.1.2 詞向量／141
9.1.3 分層優(yōu)化語言模型／147
9.1.4 連續(xù)詞袋模型／147
9.2 fastText／150
9.2.1 模型架構(gòu)／150
9.2.2 層次Softmax／151
9.2.3 N-Gram子詞特征／151
9.2.4 fastText和Word2Vec的區(qū)別／152
9.2.5 使用fastText分類／152
9.3 Gensim／154
9.3.1 Gensim基本概念／154
9.3.2 Gensim的安裝及簡單使用／154
9.3.3 主題向量的轉(zhuǎn)化：TF-IDF（詞頻逆文檔頻率）／156
9.3
書單推薦
