推薦系統(tǒng)算法實踐

《推薦系統(tǒng)算法實踐》主要講解推薦系統(tǒng)中的召回算法和排序算法，以及各個算法在主流工具Sklearn、Spark、TensorFlow等中的實現(xiàn)和應(yīng)用。

《推薦系統(tǒng)算法實踐》中本著循序漸進的原則進行講解。首先，介紹推薦系統(tǒng)中推薦算法的數(shù)學基礎(chǔ)，推薦算法的平臺、工具基礎(chǔ)，以及具體的推薦系統(tǒng)。其次，講解推薦系統(tǒng)中的召回算法，主要包括基于行為相似的協(xié)同過濾召回和基于內(nèi)容相似的Word2vec召回，并且介紹其在Spark、TensorFlow主流工具中的實現(xiàn)與應(yīng)用。再次，講解推薦系統(tǒng)中的排序算法，包括線性模型、樹模型和深度學習模型，分別介紹邏輯回歸、FM、決策樹、隨機森林、GBDT、GBDT+LR、集成學習、深度森林、DNN、Wide & Deep、DeepFM、YouTube推薦等模型的原理，以及其在Sklearn、Spark、TensorFlow主流工具中的...

《推薦系統(tǒng)算法實踐》主要講解推薦系統(tǒng)中的召回算法和排序算法，以及各個算法在主流工具Sklearn、Spark、TensorFlow等中的實現(xiàn)和應(yīng)用。

《推薦系統(tǒng)算法實踐》中本著循序漸進的原則進行講解。首先，介紹推薦系統(tǒng)中推薦算法的數(shù)學基礎(chǔ)，推薦算法的平臺、工具基礎(chǔ)，以及具體的推薦系統(tǒng)。其次，講解推薦系統(tǒng)中的召回算法，主要包括基于行為相似的協(xié)同過濾召回和基于內(nèi)容相似的Word2vec召回，并且介紹其在Spark、TensorFlow主流工具中的實現(xiàn)與應(yīng)用。再次，講解推薦系統(tǒng)中的排序算法，包括線性模型、樹模型和深度學習模型，分別介紹邏輯回歸、FM、決策樹、隨機森林、GBDT、GBDT+LR、集成學習、深度森林、DNN、Wide & Deep、DeepFM、YouTube推薦等模型的原理，以及其在Sklearn、Spark、TensorFlow主流工具中的實現(xiàn)與應(yīng)用。最后，介紹推薦算法的4個實踐案例，幫助讀者進行工程實踐和應(yīng)用，并且介紹如何在Notebook上進行代碼開發(fā)和算法調(diào)試，以幫助讀者提升工作效率。

《推薦系統(tǒng)算法實踐》適合AI、數(shù)據(jù)挖掘、大數(shù)據(jù)等領(lǐng)域的從業(yè)人員閱讀，書中為開發(fā)者展現(xiàn)了推薦算法的原理、實現(xiàn)與應(yīng)用案例。

黃美靈

現(xiàn)任一線互聯(lián)網(wǎng)公司的高級工程師，擁有多年大型互聯(lián)網(wǎng)公司推薦系統(tǒng)和機器學習實戰(zhàn)經(jīng)驗，現(xiàn)從事廣告推薦、應(yīng)用分發(fā)和資訊Feeds流推薦相關(guān)工作。