新書推薦：
《
功名诀：左宗棠镜像
》
售價：NT$
908.0
《
布克哈特书信选
》
售價：NT$
439.0
《
DK园艺的科学（100+个与园艺有关的真相，让你读懂你的植物，打造理想花园。）
》
售價：NT$
500.0
《
牛津呼吸护理指南（原书第2版） 国际经典护理学译著
》
售價：NT$
959.0
《
窥夜：全二册
》
售價：NT$
407.0
《
有底气（冯唐半生成事精华，写给所有人的底气心法，一个人内核越强，越有底气！）
》
售價：NT$
347.0
《
广州贸易：近代中国沿海贸易与对外交流（1700-1845）（一部了解清代对外贸易的经典著作！国际知名史学家深度解读鸦片战争的起源！）
》
售價：NT$
454.0
《
真爱遗事：中国现代爱情观的形成
》
售價：NT$
551.0
|
| 編輯推薦： |
1. 基于数据的创新：推荐系统突破了传统的“规则驱动”的模式，将用户行为转化为可量化的数据。通过分析用户的搜索词向量、推荐历史、互动记录等，推荐系统能够生成个性化推荐，显著提高了推荐效果。
2. AI技术的应用：书中的混合推荐模型结合了深度学习和传统的机器学习方法，实时调整推荐策略，精准预测用户偏好。同时，动态推荐算法能够根据用户的实时行为动态优化推荐内容，提升推荐的个性化程度。
3. 深度学习的应用：书中将深度学习用于推荐系统中，通过神经网络挖掘用户的行为特征关系，为个性化推荐提供了新的思路，不仅推动了推荐系统的技术发展，还改变了推荐行业的未来方向。
4. 实际应用场景的案例分析：书中通过实际的数据场景进行了详实的案例分析，展示了推荐系统在推荐行为、用户偏好和情感表达等方面的全面性应用。这些案例不仅增强了读者的理解，还为读者提供了操作参考。
|
| 內容簡介： |
《推荐系统核心技术与实践》循序渐进地讲解了使用Python语言开发推荐系统的核心知识，并通过实例的实现过程演练了各个知识点的使用方法和使用流程。全书共分 12 章，内容包括推荐系统基础知识介绍、基于内容的推荐、协同过滤推荐、混合推荐、基于标签的推荐、基于知识图谱的推荐、基于隐语义模型的推荐、基于神经网络的推荐模型、序列建模和注意力机制、强化推荐学习、电影推荐系统、动漫推荐系统等。本书内容讲解简洁而不失技术深度，内容丰富全面，用简练的文字介绍了复杂的案例，易于读者学习。
《推荐系统核心技术与实践》适用于已经了解了Python语言基础语法，想进一步学习机器学习、深度学习、推荐系统技术的读者，还可以作为高等院校相关专业师生和培训机构的教材。
|
| 關於作者： |
|
游雪琪，精通C/java/python/机器学习/大数据等主流开发技术，精通机器学习、深度学习的核心算法，擅长搜索系统的检索算法，对推荐算法有深入研究。2013-2020年就职于阿里，阿里搜索团队开发工程师，参与开发了淘宝商品智能检索系统，为淘宝的智能推荐算法做出了突出贡献。
|
| 目錄：
|
第1章 推荐系统基础知识介绍 1
1.1 推荐系统简介 2
1.1.1 推荐系统的应用领域 2
1.1.2 推荐系统的重要性 2
1.2 推荐系统和人工智能 3
1.2.1 机器学习 3
1.2.2 深度学习 4
1.2.3 推荐系统与人工智能的关系 4
1.3 推荐系统算法概览 5
1.4 推荐系统面临的挑战 6
1.4.1 用户隐私和数据安全问题 6
1.4.2 推荐算法的偏见和歧视 7
1.4.3 推荐算法面临的社会影响和道德考量 8
第2章 基于内容的推荐 9
2.1 文本特征提取 10
2.1.1 词袋模型 10
2.1.2 n-gram模型 14
2.1.3 特征哈希 16
2.2 TF-IDF(词频-逆文档频率) 18
2.2.1 词频计算 19
2.2.2 逆文档频率计算 20
2.2.3 TF-IDF权重计算 22
2.3 词嵌入 23
2.3.1 分布式表示方法 23
2.3.2 使用Word2Vec模型 24
2.3.3 使用GloVe模型 26
2.4 主题模型 26
2.4.1 潜在语义分析 27
2.4.2 隐含狄利克雷分布 28
2.4.3 主题模型的应用 29
2.5 文本分类和标签提取 31
2.5.1 传统机器学习 31
2.5.2 卷积神经网络 34
2.5.3 循环神经网络 45
2.6 文本情感分析 48
2.6.1 机器学习方法 48
2.6.2 深度学习方法 50
第3章 协同过滤推荐 57
3.1 协同过滤推荐介绍 58
3.2 基于用户的协同过滤 58
3.2.1 基于用户的协同过滤推荐算法的基本步骤 58
3.2.2 使用Python实现基于用户的协同过滤推荐 59
3.3 基于物品的协同过滤 61
3.3.1 计算物品之间的相似度 61
3.3.2 协同过滤推荐实践 62
3.4 基于模型的协同过滤 63
3.4.1 矩阵分解模型 64
3.4.2 基于图的模型 66
3.5 混合型协同过滤 69
第4章 混合推荐 73
4.1 特征层面的混合推荐 74
4.1.1 特征层面混合推荐介绍 74
4.1.2 用户特征融合 74
4.1.3 物品特征融合 76
4.2 模型层面的混合推荐 78
4.2.1 基于加权融合的模型组合 78
4.2.2 基于集成学习的模型组合 80
4.2.3 基于混合排序的模型组合 82
4.2.4 基于协同训练的模型组合 86
4.3 策略层面的混合推荐 88
4.3.1 动态选择推荐策略 88
4.3.2 上下文感知的推荐策略 91
第5章 基于标签的推荐 101
5.1 标签的获取和处理 102
5.1.1 获取用户的标签 102
5.1.2 获取物品的标签 104
5.1.3 标签预处理和特征提取 106
5.2 标签相似度计算 110
5.2.1 基于标签频次的相似度计算 110
5.2.2 基于标签共现的相似度计算 112
5.2.3 基于标签语义的相似度计算 118
5.3 基于标签的推荐算法 119
5.3.1 基于用户标签的推荐算法 120
5.3.2 基于物品标签的推荐算法 123
5.4 标签推荐系统的评估和优化 125
5.4.1 评估指标的选择 125
5.4.2 优化标签推荐效果 126
第6章 基于知识图谱的推荐 127
6.1 知识图谱介绍 128
6.1.1 知识图谱的定义和特点 128
6.1.2 知识图谱的构建方法 129
6.1.3 知识图谱与个性化推荐的关系 129
6.2 知识表示和语义关联 130
6.2.1 实体和属性的表示 130
6.2.2 关系的表示和推理 132
6.2.3 语义关联的计算和衡量 134
6.3 知识图谱中的推荐算法 137
6.3.1 基于路径的推荐算法 137
6.3.2 基于实体的推荐算法 139
6.3.3 基于关系的推荐算法 142
6.3.4 基于知识图谱推理的推荐算法 146
第7章 基于隐语义模型的推荐 149
7.1 隐语义模型概述 150
7.1.1 隐语义模型介绍 150
7.1.2 隐语义模型在推荐系统中的应用 151
7.2 潜在语义索引 151
7.2.1 LSI的基本思想和实现步骤 151
7.2.2 使用Python实现潜在语义索引 152
7.3 潜在狄利克雷分配 155
7.3.1 实现LDA的基本步骤 155
7.3.2 使用库Gensim构建推荐系统 156
7.4 增强隐语义模型的信息来源 159
7.4.1 基于内容信息的隐语义模型 159
7.4.2 时间和上下文信息的隐语义模型 161
7.4.3 社交网络信息的隐语义模型 163
第8章 基于神经网络的推荐模型 167
8.1 深度推荐模型介绍 168
8.1.1 传统推荐模型的局限性 168
8.1.2 深度学习在推荐系统中的应用 168
8.2 基于多层感知器的推荐模型 169
8.2.1 基于MLP推荐模型的流程 169
8.2.2 用户和物品特征的编码 170
8.3 基于卷积神经网络的推荐模型 172
8.3.1 卷积神经网络的用户和物品特征的表示 172
8.3.2 卷积层和池化层的特征提取 173
8.4 基于循环神经网络的推荐模型 177
8.4.1 序列数据的建模 178
8.4.2 历史行为序列的特征提取 182
8.5 基于自注意力机制的推荐模型 185
8.5.1 自注意力机制介绍 186
8.5.2 使用基于自注意力机制的推荐模型 186
8.6 基于强化学习的推荐模型 190
8.6.1 基于强化学习的推荐模型的构成 190
8.6.2 Q-learning算法 191
8.6.3 深度Q网络算法介绍 193
第9章 序列建模和注意力机制 203
9.1 序列建模 204
9.1.1 使用长短期记忆网络建模 204
9.1.2 使用门控循环单元建模 210
9.2 注意力机制 213
9.2.1 注意力机制介绍 213
9.2.2 注意力机制在推荐系统中的作用 214
9.2.3 使用自注意力模型 215
9.3 使用Seq2Seq模型和注意力机制实现翻译系统 219
9.3.1 Seq2Seq模型介绍 220
9.3.2 使用注意力机制改良Seq2Seq模型 221
9.3.3 准备数据集 222
9.3.4 数据预处理 222
9.3.5 实现Seq2Seq 模型 226
9.3.6 训练模型 232
9.3.7 模型评估 237
9.3.8 训练和评估 238
9.3.9 注意力的可视化 240
第10章 强化推荐学习 245
10.1 强化学习的基本概念 246
10.1.1 基本模型和原理 246
10.1.2 强化学习中的要素 247
10.1.3 网络模型设计 247
10.1.4 强化学习和深度强化学习 248
10.2 强化学习算法 249
10.2.1 值迭代算法 249
10.2.2 蒙特卡洛方法 251
10.3 深度确定性策略梯度算法 253
10.3.1 DDPG算法的核心思想 和基本思路 253
10.3.2 使用DDPG算法实现推荐 系统 254
10.4 双重深度Q网络算法 257
10.4.1 双重深度Q网络介绍 257
10.4.2 基于双重深度Q网络的歌曲 推荐系统 257
10.5 PPO策略优化算法 262
10.5.1 PPO策略优化算法介绍 262
10.5.2 使用PPO策略优化算法实现 推荐系统 263
10.6 TRPO算法 265
10.6.1 TRPO算法介绍 266
10.6.2 使用TRPO算法实现商品 推荐系统 266
10.7 A3C算法 269
10.7.1 A3C算法介绍 269
10.7.2 使用A3C算法训练推荐 系统 269
第11章 电影推荐系统 273
11.1 系统介绍 274
11.1.1 背景介绍 274
11.1.2 推荐系统和搜索引擎 275
11.1.3 项目介绍 275
11.2 系统模块 276
11.3 探索性数据分析 277
11.3.1 导入库文件 277
11.3.2 数据预处理 278
11.3.3 数据可视化 282
11.4 推荐系统 296
11.4.1 混合推荐系统 297
11.4.2 深度学习推荐系统 303
第12章 动漫推荐系统 313
12.1 背景介绍 314
12.1.1 动漫发展现状 314
12.1.2 动漫未来的发展趋势 314
12.2 系统分析 315
12.2.1 需求分析 315
12.2.2 系统目标分析 315
12.2.3 系统功能分析 316
12.3 准备数据集 316
12.3.1 动漫信息数据集 317
12.3.2 评分信息数据集 317
12.3.3 导入数据集 317
12.4 数据分析 318
12.4.1 基础数据探索方法 318
12.4.2 数据集摘要 321
12.4.3 深入挖掘 325
12.4.4 热门动漫 327
12.4.5 统计动漫类别 328
12.4.6 总体动漫评价 331
12.4.7 基于评分的热门动漫 334
12.4.8 按类别划分的动漫评分 分布 335
12.4.9 动漫类型 343
12.4.10 最终数据预处理 345
12.5 推荐系统 346
12.5.1 协同过滤推荐系统 346
12.5.2 基于内容的推荐系统 349
12.6 总结 352
|
| 內容試閱：
|
随着信息时代的不断演进，我们日常生活中面临的选择越来越多，从电影、音乐、图书到购物和旅行，每一个领域都有着无尽的选项。在这个信息爆炸的时代，推荐系统成为我们日常生活中不可或缺的一部分，为我们提供了个性化、智能化的指导和建议。本书旨在深入探索推荐系统背后的原理、方法和应用，帮助读者更好地理解并应用这一领域的知识。本书从推荐系统的基础知识入手，逐步引导读者走进推荐系统的世界，深入探讨了基于内容、协同过滤、混合推荐、基于标签和知识图谱的推荐方法，以及利用强化学习、神经网络和序列建模等技术不断拓展推荐系统的边界。无论您是初学者，还是已经有了一定经验的从业者，本书都将为您提供有价值的信息和见解。
写作本书的初衷是帮助那些对推荐系统感兴趣的读者，从一个系统的角度深入了解这一领域。推荐系统不仅是一门技术，更是与我们的日常生活息息相关的智能伙伴。在这个充满机遇和挑战的领域，让我们一同踏上探索推荐系统的旅程，探讨智能化未来的可能性。
本书特色
1. 涵盖推荐系统的多个领域
本书对推荐系统领域的多个关键方面进行了深入研究，涵盖了基础知识、基于内容的推荐、协同过滤、混合推荐、基于标签的推荐、基于知识图谱的推荐、强化学习等多个主题。
2. 理论与实践结合
本书不仅介绍了推荐系统的理论基础知识，还提供了丰富的实际应用案例。每个主题都伴随着详细的理论讲解和实际代码示例，帮助读者深入理解并实际应用所学知识。
3. 深入讲解推荐技术
本书不仅介绍了推荐系统的基础知识，还深入讨论了各种推荐算法的原理、方法和优缺点，读者可以从中深入了解不同算法背后的思想和适用场景。
4. 涵盖新兴推荐技术
本书涵盖了一些新兴的推荐技术领域，如基于神经网络的推荐模型、基于强化学习的推荐模型等，这些内容将帮助读者紧跟推荐系统领域的最新发展动态。
5. 提供丰富的配套资源
本书提供了网络视频教学，这些视频能够帮助读者快速入门，增强学习的信心，从而理解所学知识。读者可通过扫描每章二级标题下的二维码获取视频资源，既可在线观看，也可以下载到本地随时学习。此外，本书的配套学习资源中还提供了全书案例的源代码和PPT课件，读者可通过扫描下方的二维码获取。
本书读者对象
数据科学家：对于从事数据分析和挖掘工作的专业人士，本书提供了深入的推荐系统技术和算法知识，帮助他们提升在推荐系统领域的专业能力。
机器学习工程师：对于专注于机器学习和深度学习的工程师来说，书中关于推荐系统的算法实现和模型优化等内容将对他们的工作具有直接的指导意义。
推荐系统开发者：对于正在开发或计划开发推荐系统的技术人员，本书提供了从理论到实践的全面指导，包括系统设计、算法选择和性能评估。
相关专业的在校大学生：对于计算机科学、信息科学、数据科学等相关专业的学术研究者和学生，本书可以作为学习和研究推荐系统的教材或参考资料。
技术爱好者和自学者：对于对推荐系统感兴趣并希望自学相关知识的技术爱好者，本书提供了丰富的技术细节和实践案例，非常适合作为自学材料。
致谢
本书在编写过程中，得到了清华大学出版社编辑的大力支持，正是各位编辑的求实、耐心和效率，才使得本书能够在短时间内成功出版。另外，也十分感谢我的家人给予的巨大支持。因本人水平有限，书中可能存在纰漏之处，诚请读者提出宝贵的意见或建议，以便修订并使之更加完善。
最后感谢您购买本书，希望本书能成为您编程路上的领航者，祝您学习愉快！
编 者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
