更新时间：2023-08-31 19:29:35
封面
版权信息
作者简介
内容简介
前言PREFACE
第1章 推荐系统的初步了解
1.1 什么是推荐系统
1.2 推荐系统的由来
1.2.1 Tapestry
1.2.2 GroupLens
1.3 推荐系统的概况
1.4 推荐算法的概况
参考文献
第2章 基础推荐算法
2.1 协同过滤
2.2 基础近邻指标
2.2.1 CN相似度
2.2.2 Jaccard相似度
2.2.3 Cos相似度
2.2.4 Pearson相似度
2.2.5 Pearson相似度与Cos相似度之间的联系
2.3 基于近邻的协同过滤算法
2.3.1 UserCF
2.3.2 行为相似与内容相似的区别
2.3.3 ItemCF
2.3.4 实战：UserCF
2.3.5 实战：ItemCF
2.3.6 实战：标注为1～5的评分
2.4 推荐模型评估：入门篇
2.4.1 广义的准确率、精确率、召回率
2.4.2 推荐系统的准确率、精确率、召回率
2.4.3 推荐列表评测
2.4.4 对近邻协同过滤模型进行评测
2.5 进阶近邻指标
2.5.1 User-IIF与Item-IUF
2.5.2 更高效地利用流行度定义近邻指标
2.5.3 自定义相似度指标的范式
2.6 矩阵分解协同过滤算法
2.6.1 SVD矩阵分解
2.6.2 将SVD用作推荐
2.6.3 LFM隐因子模型
2.6.4 ALS代码实现
2.6.5 推荐模型评估：MSE、RMSE、MAE
2.6.6 以深度学习端到端训练思维理解ALS
2.6.7 ALS代码实现PyTorch版
2.7 逻辑回归出发的推荐算法
2.7.1 显式反馈与隐式反馈
2.7.2 逻辑回归
2.7.3 POLY2
2.7.4 FM
2.7.5 以深度学习端到端训练思维理解FM
2.8 本章总结
2.8.1 3个重要算法：近邻协同过滤、ALS、FM
2.8.2 协同过滤算法总结
第3章 进阶推荐算法
3.1 神经网络推荐算法推导范式
3.1.1 ALS+MLP
3.1.2 特征向量+MLP
3.1.3 结合CNN的推荐
3.1.4 结合RNN的推荐
3.1.5 ALS结合RNN
3.1.6 联合训练的RNN
3.1.7 小节总结
3.2 FM在深度学习中的应用
3.2.1 FNN
3.2.2 改进后的FNN
3.2.3 Wide & Deep
3.2.4 DeepFM
3.2.5 AFM
3.2.6 小节总结
3.3 序列推荐算法
3.3.1 基本序列推荐模型
3.3.2 DIN与注意力计算方式
3.3.3 从PReLU到Dice激活函数
3.3.4 DIEN模拟兴趣演化的序列网络
3.4 Transformer在推荐算法中的应用
3.4.1 从推荐角度初步了解Transformer
3.4.2 多头注意力与缩放点乘注意力算法
3.4.3 残差
3.4.4 Layer Normalization
3.4.5 前馈神经网络层
3.4.6 位置编码
3.4.7 Transformer Encoder
3.4.8 利用Transformer编码器的推荐算法BST
3.4.9 Transformer Decoder
3.4.10 结合Transformer解码器的推荐算法推导
3.5 本章总结
第4章 图神经网络与推荐算法
4.1 图论基础
4.1.1 什么是图
4.1.2 无向图与有向图
4.1.3 无权图与有权图
4.1.4 同构图与异构图
4.1.5 图的表示：邻接矩阵
4.1.6 图的表示：邻接列表
4.1.7 图的表示：边集
4.1.8 邻居与度
4.1.9 结构特征、节点特征、边特征
