第1部分 推荐系统的算法基础
第1章 数学基础 2
1.1 线性代数 2
1.2 概率与统计 5
1.3 损失函数 7
1.4 优化方法 8
1.4.1 SGD 8
1.4.2 动量 8
1.4.3 Nesterov动量 9
1.4.4 AdaGrad 9
1.4.5 Adam 10
1.4.6 L-BFGS 10
1.4.7 梯度法和牛顿法的比较 11
1.5 评价方法 11
1.5.1 混淆矩阵 11
1.5.2 ROC曲线 13
第2章 推荐系统介绍 17
2.1 推荐系统背景 17
2.2 推荐系统的典型案例 18
2.2.1 Amazon推荐 19
2.2.2 Facebook推荐 21
2.2.3 YouTube推荐 22
2.3 推荐系统原理 23
第3章 推荐算法工具 26
3.1 Python Sklearn机器学习库 26
3.1.1 Sklearn介绍 26
3.1.2 Sklearn建模流程 27
3.2 Spark MLlib机器学习库 28
3.2.1 MLlib介绍 28
3.2.2 MLlib建模流程 29
3.3 TensorFlow 31
3.3.1 TensorFlow介绍 31
3.3.2 TensorFlow建模流程 31
3.4 Notebook介绍 32
3.4.1 Zeppelin Notebook介绍 32
3.4.2 Jupyter Notebook介绍 36
第2部分 推荐系统的召回算法
第4章 协同过滤——基于行为相似的召回 40
4.1 协同过滤算法 40
4.1.1 协同过滤推荐概述 40
4.1.2 用户评分 41
4.1.3 相似度计算 41
4.1.4 推荐计算 43
4.2 协同过滤推荐算法实现 44
4.2.1 相似度计算及推荐计算 47
4.2.2 协同推荐 54
4.2.3 运行结果 59
第5章 Word2vec——基于内容相似的召回 65
5.1 Word2vec算法 65
5.1.1 语言模型 65
5.1.2 CBOW One-Word Context模型 66
5.1.3 CBOW Multi-Word Context 模型 71
5.1.4 Skip-Gram模型 72
5.1.5 Hierarchical Softmax 74
5.1.6 Negative Sampling 74
5.2 Word2vec实例 75
5.2.1 Spark实现 75
5.2.2 TensorFlow实现 80
第3部分 推荐系统的排序算法——线性模型
第6章 逻辑回归 86
6.1 逻辑回归算法 86
6.1.1 二元逻辑回归模型 86
6.1.2 模型参数估计 88
6.1.3 多元逻辑回归模型（Softmax回归） 88
6.1.4 逻辑回归的网络结构 89
6.1.5 梯度下降算法 90
6.1.6 正则化 91
6.2 逻辑回归实现 93
6.2.1 Sklearn实现 93
6.2.2 Spark实现 98
6.2.3 TensorFlow实现 108
6.2.4 效果总结 114
第7章 因子分解机（FM） 115
7.1 FM算法 115
7.1.1 FM模型 115
7.1.2 FFM模型 118
7.1.3 FM模型的网络结构 119
7.2 FM实现 120
7.2.1 Sklearn实现 120
7.2.2 TensorFlow实现 122
7.2.3 效果总结 128
第4部分 推荐系统的排序算法——树模型
第8章 决策树 130
8.1 决策树算法 130
8.1.1 决策树模型 130
8.1.2 特征选择 131
8.1.3 决策树的生成 133
8.1.4 决策树的生成实例 134
8.1.5 决策树的剪枝 135
8.2 决策树的集成算法 136
8.2.1 集成分类器 136
8.2.2 随机森林 137
8.2.3 GBDT 137
8.3 决策树集成算法实例 139
8.3.1 Spark实现 139
8.3.2 Sklearn实现 149
8.3.3 效果总结 154
第9章 集成学习 155
9.1 GBDT+LR算法 155
9.1.1 背景 155
9.1.2 GBDT+LR网络结构 156
9.2 深度森林算法 159
9.2.1 深度森林介绍 159
9.2.2 级联森林 160
9.2.3 多粒度扫描 161
9.3 决策树集成分类器 162
9.4 集成学习实例 164
9.4.1 GBDT+LR实现 164
9.4.2 深度森林实现 167
9.4.3 效果总结 175
第5部分 推荐系统的排序算法——深度学习模型
第10章 深度学习在推荐算法中的应用 178
10.1 推荐模型的特点 178
10.2 基于深度学习的推荐模型 179
10.2.1 DNN优化高阶特征 179
10.2.2 高阶特征交叉与低阶特征交叉 181
10.2.3 特征交叉优化 183
10.2.4 特征连接优化 184
10.2.5 高阶特征交叉优化 185
10.2.6 多样性的深度兴趣特征优化 186
第11章 DNN算法 189
11.1 人工神经网络算法 189
11.1.1 神经元 189
11.1.2 神经网络模型 191
11.1.3 信号的前向传播 191
11.1.4 误差的反向传播 193
11.2 DNN优化方法 195
11.2.1 优化参数 196
11.2.2 Attention机制 197
11.3 DNN实例 198
11.4 运行结果 205
第12章 Wide & Deep模型 206
12.1 Wide & Deep模型概述 206
12.1.1 Wide模型 208
12.1.2 Deep模型 209
12.1.3 模型联合训练 210
12.2 Wide & Deep系统实现 211
12.2.1 推荐系统介绍 211
12.2.2 系统流程 212
12.2.3 训练数据的生成 213
12.2.4 模型训练 213
12.2.5 线上应用 214
12.3 Wide & Deep实例 214
12.4 运行结果 219
第13章 DeepFM模型 225
13.1 DeepFM模型概述 225
13.1.1 FM组件 226
13.1.2 Deep组件 228
13.1.3 模型对比 229
13.2 DeepFM模型实例 231
13.3 运行结果 241
第14章 YouTube的深度神经网络模型 243
14.1 YouTube推荐模型 243
14.1.1 背景介绍 243
14.1.2 召回模型设计 245
14.1.3 排序模型设计 250
14.2 YouTube实例 252
14.3 运行结果 256
第6部分 推荐系统的算法实践
第15章 实践——基于电商平台的商品召回 260
15.1 背景介绍 260
15.2 模型选择 261
15.3 算法开发 261
第16章 实践——基于逻辑回归的音乐评分预测 266
16.1 背景介绍 266
16.2 数据准备 266
16.3 特征处理 268
16.4 模型选择 270
16.5 算法开发 271
第17章 实践——Kaggle竞赛之Outbrain点击率预估 275
17.1 背景介绍 275
17.2 数据准备 277
17.3 特征处理 283
17.4 模型选择 284
17.4.1 FFM 285
17.4.2 XGBoost 288
17.4.3 集成学习 292
17.5 算法开发 292
第18章 实践——基于深度学习的电商商品点击率预估 297
18.1 背景介绍 297
18.2 数据准备 298
18.3 特征处理 302
18.4 模型选择 303
18.5 算法开发 304
18.6 运行结果 309
第19章 Notebook实践 312
19.1 Sklearn中的LR实践 312
19.2 TensorFlow中的LR实践 316
19.3 Spark中的LR实践 321
19.4 TensorFlow中的FM调试实践 327
19.5 Spark中的协同过滤调试实践 331
· · · · · · (收起)