 |
-- 會員 / 註冊 --
|
 |
|
|
|
推薦系統與深度學習 ( 簡體 字) |
| 作者：黃昕、趙偉、王本友、呂慧偉、楊敏 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 50641
詢問書籍請說出此書號！【缺書】
NT售價： 325 元 |
| 出版日：1/1/2019 |
| 頁數：202 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302513636 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：????????????????????
本書的五位作者均曾就職于騰訊，分別在不同的部門從事與推薦系統相關的工作。
正是因為“推薦”，我們相識相知。我們不僅在工作中成為伙伴，在工作之余，我們也成
了非常好的朋友。在一次好友聊天中，我們萌生寫作本書的想法，在之后半年的時間中，
我們各有分工，共同完成了本書的寫作。可以說，這本書不僅是我們知識的沉淀，也是
我們友誼的見證。
推薦算法具有非常多的應用場景和巨大的商業價值。推薦算法種類很多，目前應用
最廣泛的應該是基于協同過濾的推薦算法。在2016 年，隨著阿爾法圍棋（AlphaGo）大
放異彩，新的一波深度學習浪潮已至。在圖像、音頻處理等領域，深度學習技術已成為
當之無愧的王者；但在推薦領域，深度學習還處于發展階段。同時，我們在平時工作學
習中，發現市面上并沒有關于兩者相結合的書籍，只能在國外論文中發現相關的方法與
應用。所以，我們決定以比較簡單的表達方式，通過總結過往的推薦算法經驗，將深度
學習相關的應用介紹給更多的讀者。
為了適應具有不同知識儲備的讀者閱讀，本書大致可分為四個部分。第1 至第3 章
為第一部分，主要介紹深度學習的基礎知識。第4 至第5 章為第二部分，主要介紹了傳
統的推薦算法及問題。第6 章為第三部分，進一步介紹深度學習推薦技術。第7 章為第
四部分，介紹了如何在線上實戰搭建推薦系統。第三、第四部分是本書的重點，對于從
事算法的工作者，可以了解到深度學習技術與推薦算法的結合；對于從事工程的工作者，
可以汲取線上搭建推薦系統的經驗。
在本書的寫作過程中，得到了很多前輩同事的幫助，包括傅鴻城、李深遠、劉黎春、
趙蕊、邱天宇等領導、同事都給予了很多寶貴意見和支持。沒有他們的幫助，我們很難
完成本書的寫作。
最后還要感謝我們的家人，在寫作本書的過程中，我們幾位作者占用了大量的家庭
時間，感謝他們的照顧和體諒。 |
內容簡介：本書的幾位作者都在大型互聯網公司從事與推薦系統相關的實踐與研究，通過這本書，把推薦系統工作經驗予以總結，以幫助想從事推薦系統的工作者或推薦系統愛好者。本書的內容設置由淺入深，從傳統的推薦算法過渡到近年興起的深度學習技術。不管是初學者，還是有一定經驗的從業人員，相信都能從本書的不同章節中有所收獲。
區別于其他推薦算法書籍，本書引入了已被實踐證明效果較好的深度學習推薦技術，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技術應用，并給出了相關的實踐代碼；除了在算法層面講解推薦系統的實現，還從工程層面詳細闡述推薦系統如何搭建。 |
目錄：第1章什么是推薦系統1
1.1推薦系統的概念.1
1.1.1推薦系統的基本概念1
1.1.2深度學習與推薦系統4
第2章深度神經網絡.7
2.1什么是深度學習.7
2.1.1深度學習的三次興起7
2.1.2深度學習的優勢9
2.2神經網絡基礎11
2.2.1神經元11
2.2.2神經網絡.12
2.2.3反向傳播.13
2.2.4優化算法.14
2.3卷積網絡基礎17
2.3.1卷積層17
2.3.2池化層19
2.3.3常見的網絡結構19
2.4循環網絡基礎21
2.4.1時序反向傳播算法22
2.4.2長短時記憶網絡24
2.5生成對抗基礎25
2.5.1對抗博弈.26
2.5.2理論推導.27
2.5.3常見的生成對抗網絡29
ivj推薦系統與深度學習
第3章TensorFlow平臺31
3.1什么是TensorFlow31
3.2TensorFlow安裝指南.33
3.2.1Windows環境安裝.33
3.2.2Linux環境安裝.34
3.3TensorFlow基礎.36
3.3.1數據流圖.36
3.3.2會話37
3.3.3圖可視化.37
3.3.4變量37
3.3.5占位符38
3.3.6優化器38
3.3.7一個簡單的例子38
3.4其他深度學習平臺39
第4章推薦系統的基礎算法42
4.1基于內容的推薦算法.42
4.1.1基于內容的推薦算法基本流程42
4.1.2基于內容推薦的特征提取.45
4.2基于協同的推薦算法.47
4.2.1基于物品的協同算法49
4.2.2基于用戶的協同算法57
4.2.3基于用戶協同和基于物品協同的區別59
4.2.4基于矩陣分解的推薦方法.61
4.2.5基于稀疏自編碼的推薦方法.71
4.3基于社交網絡的推薦算法80
4.3.1基于用戶的推薦在社交網絡中的應用81
4.3.2node2vec技術在社交網絡推薦中的應用85
4.4推薦系統的冷啟動問題94
4.4.1如何解決推薦系統冷啟動問題94
4.4.2深度學習技術在物品冷啟動上的應用101
目錄jv
第5章混合推薦系統119
5.1什么是混合推薦系統.119
5.1.1混合推薦系統的意義120
5.1.2混合推薦系統的算法分類.122
5.2推薦系統特征處理方法125
5.2.1特征處理方法126
5.2.2特征選擇方法134
5.3常見的預測模型141
5.3.1基于邏輯回歸的模型141
5.3.2基于支持向量機的模型.144
5.3.3基于梯度提升樹的模型.148
5.4排序學習150
5.4.1基于排序的指標來優化.150
5.4.2L2R算法的三種情形.152
第6章基于深度學習的推薦模型156
6.1基于DNN的推薦算法156
6.2基于DeepFM的推薦算法163
6.3基于矩陣分解和圖像特征的推薦算法171
6.4基于循環網絡的推薦算法.174
6.5基于生成對抗網絡的推薦算法.176
6.5.1IRGAN的代碼實現.179
第7章推薦系統架構設計.183
7.1推薦系統基本模型183
7.2推薦系統常見架構185
7.2.1基于離線訓練的推薦系統架構設計185
7.2.2面向深度學習的推薦系統架構設計191
7.2.3基于在線訓練的推薦系統架構設計194
7.2.4面向內容的推薦系統架構設計197
7.3推薦系統常用組件199
7.3.1數據上報常用組件199
vij推薦系統與深度學習
7.3.2離線存儲常用組件200
7.3.3離線計算常用組件200
7.3.4在線存儲常用組件201
7.3.5模型服務常用組件201
7.3.6實時計算常用組件201
7.4推薦系統常見問題201
7.4.1實時性.201
7.4.2多樣性.202
7.4.3曝光打擊和不良內容過濾.202
7.4.4評估測試.202
后記.203
圖1.1淘寶猜你喜歡欄目2
圖1.2百度指數.4
圖1.3歌曲詞嵌入模型空間向量.6
圖2.1神經網絡的三次興起8
圖2.2不同層數的神經網絡擬合分界面的能力.10
圖2.3不同層數的神經網絡表示能力10
圖2.4神經網絡的基本結構11
圖2.5感知器算法12
圖2.6三層全連接神經網絡13
圖2.7動量對比.16
圖2.8卷積運算.18
圖2.9池化層19
圖2.10LeNet卷積結構.20
圖2.11Alex-Net卷積結構20
圖2.12RNN21
圖2.13LSTM在t時刻的內部結構24
圖2.14GAN網絡25
圖3.1TensorFlow安裝截圖34
圖3.2TensorBoard計算37
圖4.1騰訊視頻APP推薦頁面.44
圖4.2截取自當當網.49
圖4.3截取自QQ音樂APP.49
圖4.4用戶購買物品記錄50
圖4.5同時被購買次數矩陣C51
圖4.6相似度計算結果152
圖4.7相似度計算結果254
viiij推薦系統與深度學習
圖4.8相似度計算結果355
圖4.9截取自當當網.57
圖4.10物品的倒排索引57
圖4.11用戶評分矩陣.63
圖4.12Sigma值64
圖4.13NewData值65
圖4.14Mydata值65
圖4.15自編碼神經網絡模型72
圖4.16稀疏自編碼第一個網絡.73
圖4.17稀疏自編碼第二個網絡.74
圖4.18稀疏自編碼第三個網絡.75
圖4.19將三個網絡組合起來75
圖4.20社交網絡關系圖示例81
圖4.21融入用戶關系和物品關系82
圖4.22社交網絡關系圖示例86
圖4.23社交網絡關系圖示例86
圖4.24CBOW和Skip-Gram示例.88
圖4.25Skip-Gram網絡結構89
圖4.26CBOW網絡結構91
圖4.27wordanalogy示例93
圖4.28某網站登錄頁面95
圖4.29QQ互聯開放注冊平臺196
圖4.30QQ互聯開放注冊平臺297
圖4.31QQ互聯應用管理頁面197
圖4.32QQ互聯應用管理頁面297
圖4.33QQ互聯QQ登錄功能獲取97
圖4.34QQ音樂APP中的偏好選擇98
圖4.35(a)為每部電影被打分的分布，(b)為每個用戶打分的分布100
圖4.36(a)為每部電影平均分分布，(b)為每個用戶平均分分布.100
圖4.37基于專家數據的CF與基于用戶數據CF比較.101
圖目錄jix
圖4.38音樂頻譜示例102
圖4.394個流派的頻譜圖示例103
圖4.40CNN音頻分類結構.103
圖4.41CNN+LSTM組合音頻分類模型.104
圖4.42分類預測結果的混淆矩陣104
圖4.43模型倒數第二層128維向量降維可視化104
圖4.44微軟how-old.net107
圖4.45SCUT-FBP數據集示例圖108
圖4.46臉部截取后的數據集示例圖.108
圖4.47CNN層數過多，誤差反而較大113
圖4.48殘差網絡的基本結構113
圖4.49殘差網絡完整結構.114
圖5.1NetFlix的實時推薦系統的架構圖120
圖5.2整體式混合推薦系統125
圖5.3并行式混合推薦系統125
圖5.4流水線式混合推薦系統.125
圖5.5MDLP特征離散化130
圖5.6ChiMerge特征離散化.131
圖5.7層次化時間按序列特征.133
圖5.8Learntorank的局限153
圖6.1Wide&Deep模型結構157
圖6.2推薦系統的召回和排序兩個階段158
圖6.3召回模型結構.159
圖6.4序列信息160
圖6.5排序模型結構.161
圖6.6不同NN的效果162
圖6.7DeepFM模型結構(網絡左邊為FM層，右邊為DNN層).164
圖6.8FM一階部分165
圖6.9FM二階部分166
圖6.10FM/DNN/DeepFM的比較171
xj推薦系統與深度學習
圖6.11電影靜止幀圖片舉例172
圖6.12Alex-Net卷積網絡.173
圖6.13左圖：時間無關的推薦系統。右圖：時間相關的推薦系統174
圖6.14基于循環神經網絡的推薦系統175
圖6.15判別器177
圖6.16生成器178
圖6.17IRGAN說明179
圖7.1監督學習基本模型.184
圖7.2基于離線訓練的推薦系統架構設計186
圖7.3數據上報模塊.187
圖7.4離線訓練模塊.187
圖7.5推薦系統中的存儲分層.188
圖7.6在線預測的幾個階段189
圖7.7推薦系統通用性設計190
圖7.8面向深度學習的推薦系統架構設計191
圖7.9利用深度學習進行特征提取192
圖7.10參數服務器架構193
圖7.11基于在線訓練的推薦系統架構設計195
圖7.12在線學習之實時特征處理196
圖7.13面向內容的推薦系統架構設計198
圖7.14用于推薦的內容池.198
圖7.15ApacheKafka邏輯架構.200
表4.1用戶A和B的評分矩陣.43
表4.2電影內容特征二進制表示45
表4.3人臉魅力值打分不同模型的MAE比較112
表4.4人臉魅力值打分不同模型的MAE比較117
表4.5Keras預訓練好的圖像分類模型118 |
| 序： |
|
