第 1章 推荐系统简介...1
技能目标... 1
本章任务... 1
任务1.1 了解推荐系统的发展历史 ...2
任务1.2 掌握推荐系统的核心要素... 4
1.2.1 用户... 4
1.2.2 物品和内容 ... 4
1.2.3 事件.. .5
1.2.4 语境... 6
任务1.3 掌握推荐系统的基本构成... 6
1.3.1 召回模块 ...8
1.3.2 排序模块... 13
1.3.3 过滤模块... 14
任务1.4 了解推荐系统的新发展... 15
1.4.1 基于会话的推荐系统... 15
1.4.2 强化学习与推荐系统... 17
任务1.5 认清推荐系统的发展方向... 17
本章小结... 18
本章习题...18
第 2章 搭建试验平台...19
技能目标... 19
本章任务... 19
任务2.1 安装和配置Anaconda ... 20
2.1.1 下载并安装Anaconda ... 21
2.1.2 新建环境... 22
2.1.3 管理环境... 23
2.1.4 添加国内的安装源 ... 25
2.1.5 安装scikit-surprise软件包... 26
2.1.6 安装其他软件包 ... 27
任务2.2 获取试验数据集MovieLens... 28
2.2.1 下载数据集 ... 28
2.2.2 检查文件内容 ... 29
2.2.3 分析评分数据...31
任务2.3 安装集成开发环境PyCharm... 35
2.3.1 下载PyCharm ... 35
2.3.2 创建项目Recommender ... 35
2.3.3 创建测试文件 ...37
任务2.4 测试集成开发环境Spyder... 38
任务2.5 测试Jupyter Notebook . 40
2.5.1 安装并启动Jupyter Notebook . 41
2.5.2 设置根目录 . 42
2.5.3 Jupyter Notebook基本用法 .. 44
2.5.4 运行测试文件 46
本章小结. 47
本章习题. 48
第3章 推荐系统的评测 .49
技能目标. 49
本章任务. 49
任务3.1 学习用户成长飞轮模型. 50
任务3.2 掌握推荐系统的评测方法. 51
3.2.1 离线测试.. 51
3.2.2 用户测试.. 52
3.2.3 线上测试.. 54
任务3.3 掌握推荐系统的评测指标. 55
3.3.1 预测准确率 . 55
3.3.2 覆盖率.. 61
3.3.3 多样性.. 62
3.3.4 惊喜度.. 63
3.3.5 新颖度.. 64
3.3.6 实时性.. 65
3.3.7 健壮性.. 65
3.3.8 商业目标.. 66
3.3.9 小结 68
任务3.4 实际评测推荐系统 69
3.4.1 线下测试.. 69
3.4.2 线上测试.. 72 本章小结. 74
本章习题. 74
第4章 基于内容的召回 .75
技能目标. 75
本章任务. 75
任务4.1 掌握物品特征抽取的基本方法 .. 76
4.1.1 抽取基本特征 77
4.1.2 抽取文本特征 79
4.1.3 抽取图像特征 81
任务4.2 掌握相似度的衡量方法. 84
4.2.1 曼哈顿距离 . 85
4.2.2 欧氏距离.. 85
4.2.3 余弦相似度 . 86
任务4.3 实际开发一款基于内容召回的推荐系统 86
4.3.1 准备电影特征 87
4.3.2 计算电影间的相似度. 89
4.3.3 预测用户评分 91
4.3.4 生成头部推荐 92
任务4.4 掌握横向评测框架的开发和使用方法 .. 93
4.4.1 自定义预测算法 .. 93
4.4.2 比较控制器 . 95
4.4.3 评测内容召回推荐算法 97
任务4.5 理解基于内容召回的优点和缺点 . 99
4.5.1 内容召回的优点 .. 99
4.5.2 内容召回的缺点 100
本章小结.. 100
本章习题.. 100
第5章 基于协同过滤的召回 .102
技能目标.. 102
本章任务.. 102
任务5.1 掌握协同过滤的基本思想和主要分类 103
任务5.2 掌握协同过滤中相似性的衡量方法 . 104
5.2.1 行为数据的特点 105
5.2.2 相似性的衡量 . 105
任务5.3 实际开发一款基于用户的协同过滤推荐系统.. 108
5.3.1 创建用户评分矩阵 .. 108 5.3.2 创建用户相似度矩阵.. 108
5.3.3 寻找相似用户 . 109
5.3.4 根据相似用户的喜好给出推荐 .. 109
5.3.5 排序并过滤推荐电影列表（基于用户的协同过滤） ..110
5.3.6 运行项目.110
任务5.4 实际开发一款基于物品的协同过滤推荐系统112
5.4.1 创建电影评分矩阵 113
5.4.2 创建电影相似度矩阵114
5.4.3 获取当前用户喜好 114
5.4.4 根据用户喜好给出推荐115
5.4.5 排序并过滤推荐电影列表（基于电影的协同过滤） ..115
5.4.6 运行项目.115
任务5.5 实际评测协同过滤与评分预测融合模型..118
5.5.1 基于用户的K最近邻推荐118
5.5.2 基于物品的K最近邻推荐118
5.5.3 评测K最近邻推荐算法119
本章小结.. 120
本章习题.. 121
第6章 基于深度学习的召回 .122
技能目标.. 122
本章任务.. 122
任务6.1 掌握并实际评测矩阵分解算法 124
任务6.2 掌握并实际评测受限玻尔兹曼机算法 129
任务6.3 掌握并实际评测自动编码机算法 .. 133
任务6.4 掌握优兔基于深度学习的召回模型 . 136
任务6.5 了解Netflix的推荐模型 139
本章小结.. 141
本章习题.. 141
第7章 经典排序模型142
技能目标.. 142
本章任务.. 142
任务7.1 下载并探索一个排序用数据集 143
任务7.2 掌握并实际评测逻辑回归排序算法 . 146
7.2.1 逻辑回归的基本原理.. 146
7.2.2 逻辑回归示例代码 .. 147
任务7.3 掌握并实际评测梯度提升决策树和逻辑回归融合模型 .. 150 7.3.1 梯度提升决策树的工作原理 150
7.3.2 梯度提升决策树与逻辑回归融合模型 152
7.3.3 梯度提升决策树和逻辑回归融合模型的示例代码.. 153
任务7.4 掌握并实际评测贝叶斯个性化排序算法. 156
7.4.1 贝叶斯法则 .. 157
7.4.2 贝叶斯个性化排序算法原理 162
7.4.3 贝叶斯个性化排序示例代码 163
本章小结.. 170
本章习题.. 170
第8章 基于深度学习的排序 .171
技能目标.. 171
本章任务.. 171
任务8.1 掌握因子分解机的基本原理. 172
任务8.2 掌握广度和深度融合模型的基本原理 177
任务8.3 掌握优兔深度学习排序模型的基本原理. 185
本章小结.. 187
本章习题.. 188
第9章 基于会话的推荐 ..189
技能目标.. 189
本章任务.. 189
任务9.1 了解基于会话的推荐系统的发展历史 190
任务9.2 掌握循环神经网络在推荐系统中的应用. 192
9.2.1 基于门控循环单元的推荐系统 .. 193
9.2.2 多会话迷你批处理 .. 194
9.2.3 批处理中的负采样 .. 194
9.2.4 排序损失函数的选择.. 195
9.2.5 实验过程 195
任务9.3 学习将语境信息融入循环神经网络推荐系统.. 196
9.3.1 语境的重要性 . 197
9.3.2 语境的融入方法 198
9.3.3 融合语境的循环神经网络模型 .. 199
9.3.4 实验过程 202
本章小结.. 203
本章习题.. 204
第 10章 基于强化学习的推荐 ..205
技能目标.. 205 本章任务.. 205
任务10.1 了解在推荐系统中应用强化学习的背景.. 206
任务10.2 了解强化学习的技术基础 207
10.2.1 情境描述. 207
10.2.2 策略学习. 209
10.2.3 用户长期参与度 . 210
任务10.3 深入研究“探索与开采并举”的强化学习推荐系统 210
10.3.1 提升多样性的强化学习推荐系统 .. 210
10.3.2 试验过程. 213
10.3.3 试验结果. 216
本章小结.. 217
本章习题.. 218
第 11章 工业级推荐系统.219
技能目标.. 219
本章任务.. 219
任务11.1 了解深度规模化稀疏张量网络引擎 220
任务11.2 掌握DSSTNE深度学习框架的使用方法 221
11.2.1 转换数据 . 224
11.2.2 训练阶段 . 224
11.2.3 预测阶段 . 226
任务11.3 了解工业级推荐系统的架构方法 226
11.3.1 系统架构 . 227
11.3.2 并行化.. 228
11.3.3 结束语.. 229
本章小结.. 229
本章习题.. 230