动手学推荐系统——基于PyTorch的算法实现

链接：https://pan.baidu.com/s/1udBA0tA99dEQsf6UamUZMQ?pwd=long 

提取码：long

本书从理论结合实践编程来学习推荐系统。由浅入深，先基础后进阶，先理论后实践，先主流后推导。 第1章较为简单，仅初步带领大家了解什么是推荐系统及推荐系统的简史。第2章到第5章介绍的是主流的推荐算法及推荐算法的推导过程，这部分是本书的核心，每个算法都描述的非常详细且有具体代码帮助大家理解，深度学习的框架将采用PyTorch。第6章介绍的是商业及推荐系统的组成结构，第7章系统地介绍了推荐系统的评估指标及方式。第8章则介绍整个推荐工程的生命周期。第6~8章可随时抽取出来提前看。本书配套示例代码及微课视频，帮助读者快速入门推荐算法及系统。 本书可作为高等院校、科研机构或从事推荐系统工作的工程师的参考书籍，也可作为高年级本科生和研究生的学习参考书籍。

目录

第1章推荐系统的初步了解（ 28min）

1.1什么是推荐系统

1.2推荐系统的由来

1.2.1Tapestry

1.2.2GroupLens

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（ 398min）

2.1协同过滤

2.2基础近邻指标

2.2.1CN相似度

2.2.2Jaccard相似度

2.2.3Cos相似度

2.2.4Pearson相似度

2.2.5Pearson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

2.3.1UserCF

2.3.2行为相似与内容相似的区别

2.3.3ItemCF

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

2.5.1User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

2.6.1SVD矩阵分解

2.6.2将SVD用作推荐

2.6.3LFM隐因子模型

2.6.4ALS代码实现

2.6.5推荐模型评估： MSE、RMSE、M...