电子书：《推荐系统与深度学习》_黄昕等_2018-12-01《推荐系统与深度学习》_huang昕等_20181201
111
内容简介：
仅供非商业用途或交流学习使iv|推荐系统与深度学习第3章 tensorflow平台什么是 tensor flow32 tensor flow安装指南321 windows环境安装3.22 linux环境安装3.3 tensor flow基础3.1数据流图.3.2会话3.3.3图可视化334变量3.3.5占位符336优化器3.37一个简单的例子34其他深度学习平台第4章推荐系统的基础算法41基于内容的推荐算法4.1.1基于内容的推荐算法基本流程41.2基于内容推荐的特征提取4.2基于协同的推荐算法21基于物品的协同算法4.22基于用户的协同算法4.2.3基于用户协同和基于物品协同的区别4.2.4基于矩阵分解的推荐方法2.5基于稀疏自编码的推荐方法4.3基于社交网络的推荐算法4.31基于用户的推荐在社交网络中的应用4.3.2node2vec技术在社交网络推荐中的应用44推荐系统的冷启动问题44.1如何解决推荐系统冷启动问题44.2深度学习技术在物品冷启动上的应用
仅供非商业用途或交流学习使用第5章混合推荐系统1什么是混合推荐系统1.1混合推荐系统的意义5.1.2混合推荐系统的算法分类52推荐系统特征处理方法2.1特征处理方法5.2.2特征选择方法5.3常见的预测模型5.3.1基于逻辑回归的模型支持向量机的模型基于梯度提升树的模型54排序学习5.4.1基于排序的指标来优化5.4.2l2r算法的三种情形第6章基于深度学习的推荐模型6.1基于dnn的推荐算法62基于 deepfm的推荐算法基于矩阵分解和图像特征的推荐算法4基于循环网络的推荐算法6.5基于生成对抗网络的推荐算法irgan的代码实现第7章推荐系统架构1推荐系统基本模型推荐系统常见架构7.21基于离线训练的推荐系统架构设计722面向深度学习的推荐系统架构设计7.23基于在线训练的推荐系统架构设计7.24面向内容的推荐系统架构设计73推荐系统常用组件7.3.1数据上报常用组忄
仅供非商业用途或交流学v|推荐系統与深度学习7.3.2离线存储常用组件73.3离线计算常用组件734在线存储常用组件5模型服务常用组件7.3.6实时计算常用组件7.4推荐系统常见问题74.1实时性7.4.2多样性7.4.3曝光打击和不良内容过滤7.4.4评估测试后记
图目录图1.1淘宝猜你喜欢栏图1.2百度指数图1.3歌曲词嵌入模型空间向量图2.1神经网络的三次兴起468层数的神经网络拟合分界面的能力图2.3不同层数的神经网络表示能力图24神经网络的基本结构图2.5感知器算法图2.6三层全连接神经网络图28卷积运算图2.9池化层图210 lenet卷积结构图2.11 alex. net卷积结构图2.13lstm在t时刻的内部结构图214gan网络图31 tensor flow安装截图图3.2 tensorboard计算图41腾 讯视频app推荐页面图4.2截取自当当网图43截取自qq音乐app图44用户购买物品记录图4.5同时被购买次数矩阵c图46相似度计算结果1图4.7相似度计算结果2
viil|推荐系统与深度学习图48相似度计算结果3图4.9截取自当当网图4.10物品的倒排索引图4.11用户评分矩阵4.12 sigma值图413 new data值图4.14 mydata值图4.15自編码神经网络模型图4.16稀疏自编码第一个网络图417稀疏自编码第二个网络图4.18稀疏自编码第三个网络图419将三个网络组合起来图420社交网络关系图示例图4.21融入用户关系和物品关系图422社交网络关系图示例图4.23社交网络关系图示例图4.24cbow和 skip-grarm示例图4.25 skip- gram网络结构图426cbow网络结构图4.27 word analogy示例图428某网站登.录页面图429qq互联开放注册平台1图4.30qq互联开放注册平台2图q互联应用管理页面图4.32qq互联应用管理页面2图433qq互联qq登.录功能获取图4.34qq音乐app中的偏好选择图435(a)为每部电影被打分的分布.(b)为每个用户打分的分布图436(a)为每部电影平均分分布.(b)为每个用户平均分分布图4.37基于专家数据的cf与基于用户数据cf比较
