第 1 部 分 認 知 篇 1 第 1 章 認識推薦系統 3 1.1 推薦與推薦系統 3 1.2 生活中的推薦系統 6 1.3 推薦系統的特點與價值 9 1.4 推薦服務 12 1.5 個性化推薦策略 14 1.5.1 U2Tag2I 策略 14 1.5.2 U2U2I 策略 15 1.5.3 U2I2I 策略 15 1.5.4 U2I 策略 16 1.6 本章小結 16 第 2章 推薦系統技術實現 17 2.1 工作原理 17 2.2 業(yè)務流程 18 2.3 業(yè)務功能模塊 21 2.3.1 數據采集 22 2.3.2 特征工程 26 2.3.3 推薦算法 29 2.3.4 推薦服務 36 2.3.5 效能評價 38 2.4 推薦系統開發(fā) 39 2.5 本章小結 43 第 2 部 分 數 據 篇 45 第 3 章 數據提取與特征向量 47 3.1 特征標簽構建流程 47 3.2 特征標簽構建方法 49 3.3 數據提取 51 3.4 數據處理 53 3.4.1 數據統計 54 3.4.2 數據標準化 55 3.4.3 數據離散化 58 3.5 特征編碼 61 3.5.1 類別數據 61 3.5.2 時間數據 69 3.5.3 位置數據 73 3.5.4 文本數據 74 3.6 本章小結 86 第 4 章 構建個性化特征標簽 87 4.1 喜歡度——衡量用戶感興趣的程度 87 4.2 新聞特征標簽 89 4.2.1 基本特征 89 4.2.2 類別特征 90 4.2.3 內容特征 91 4.2.4 趨勢特征 100 4.2.5 新聞特征向量 102 4.3 用戶特征標簽 103 4.3.1 基本特征 104 4.3.2 位置特征 104 4.3.3 興趣偏好特征 105 4.3.4 行為特征 109 4.3.5 價值特征 109 4.3.6 用戶特征向量 111 4.4 特征相似度計算 112 4.4.1 歐幾里得距離 113 4.4.2 曼哈頓距離 113 4.4.3 閔可夫斯基距離 113 4.4.4 馬氏距離 114 4.4.5 余弦相似度 114 4.4.6 皮爾遜相關系數 115 4.4.7 杰卡德相關系數 116 4.4.8 代碼示例 117 4.5 本章小結 121 第5章 交叉組合構建新特征 122 5.1 特征組合 122 5.1.1 特征拼接 122 5.1.2 笛卡兒構建 123 5.1.3 線性組合 123 5.1.4 多項式特征 124 5.1.5 代碼示例 125 5.2 特征選擇 128 5.2.1 方差選擇 129 5.2.2 相關選擇 129 5.2.3 卡方檢驗 131 5.2.4 主成分分析 133 5.2.5 樹模型選擇 136 5.2.6 代碼示例 143 5.3 本章小結 150 第 3 部 分 召 回 篇 151 第 6 章 機器學習模型 153 6.1 機器學習的定義 153 6.1.1 有監(jiān)督學習 154 6.1.2 無監(jiān)督學習 154 6.2 數據集 155 6.2.1 常用公開數據集 156 6.2.2 在線構建數據集 156 6.2.3 數據集劃分 160 6.2.4 生成訓練集 166 6.3 模型訓練 168 6.4 模型保存 169 6.5 模型評價 170 6.5.1 分類模型評價 170 6.5.2 回歸模型評價 173 6.5.3 代碼示例 174 6.6 模型上線 175 6.7 本章小結 176 第 7 章 基于新聞熱度的推薦召回 177 7.1 新聞熱度 177 7.2 熱門推薦算法 179 7.3 代碼示例 179 7.4 本章小結 184 第 8 章 基于內容的推薦召回 185 8.1 商品內容 185 8.2 KNN 算法模型 186 8.2.1 KNN 發(fā)現 186 8.2.2 KNN 算法改進 187 8.3 代碼示例 189 8.4 本章小結 199 第 9 章 基于標簽的推薦召回 201 9.1 認識標簽 201 9.2 標簽推薦算法 202 9.3 升級標簽推薦算法 206 9.4 代碼示例 207 9.5 本章小結 211 第 10章 協同過濾推薦召回 212 10.1 UserCF 算法 212 10.1.1 算法原理 212 10.1.2 代碼示例 218 10.2 ItemCF 算法 223 10.2.1 算法原理 223 10.2.2 代碼示例 227 10.3 本章小結 232 第 11章 基于矩陣分解的推薦召回 233 11.1 數學知識 233 11.2 SVD 推薦算法 236 11.3 代碼示例 237 11.4 本章小結 241 第 12章 基 于LFM 的推薦召回 243 12.1 LFM 概述 243 12.2 LFM 推薦算法 244 12.3 代碼示例 247 12.4 本章小結 251 第 13章 多路召回融合策略 252 13.1 多路召回策略 252 13.2 融合策略 254 13.2.1 順序融合 255 13.2.2 平均加權融合 256 13.2.3 加權融合 256 13.2.4 動態(tài)加權融合 257 13.3 代碼示例 257 13.4 本章小結 266 第 4 部 分 排 序 篇 267 第 14章 線性模型排序算法 269 14.1 回歸模型 269 14.2 線性回歸模型 270 14.3 邏輯回歸模型 273 14.3.1 算法模型 273 14.3.2 模型參數估計 275 14.3.3 代碼示例 277 14.4 本章小結 283 第 15章 LR-GBDT 模型排序算法 284 15.1 CART 決策樹 284 15.2 集成學習模型 292 15.2.1 Bagging 算法 293 15.2.2 Boosting 算法 294 15.2.3 Stacking 算法 295 15.3 GBDT 模型 296 15.4 LR-GBDT 模型 299 15.4.1 模型算法推導 299 15.4.2 代碼示例 300 15.5 本章小結 306 第 16章 深度學習模型排序算法 307 16.1 神經元 307 16.2 ANN 模型 309 16.3 模型訓練 315 16.3.1 正向傳遞 317 16.3.2 反向傳遞 319 16.4 模型優(yōu)化 323 16.4.1 梯度優(yōu)化算法 324 16.4.2 Batch 歸一化 327 16.4.3 正則化 328 16.5 DNN 模型 329 16.5.1 模型構建 329 16.5.2 代碼示例 331 16.6 Wide&Deep 模 型 335 16.6.1 Wide 部分 336 16.6.2 Deep 部分 337 16.6.3 聯合訓練 337 16.6.4 Wide&Deep 模型案例 338 16.7 本章小結 339 第 5 部 分 系 統 篇 341 第 17章 推薦服務生成與管理 343 17.1 推薦系統的 Web服務 343 17.2 推薦服務的請求與響應 345 17.2.1 HTTP 346 17.2.2 REST 編程風格 349 17.2.3 基于Django 開發(fā)REST 風格API 352 17.2.4 基于 Spring MVC 開發(fā) REST 風格 API 354 17.3 生成推薦結果 355 17.3.1 離線生成 356 17.3.2 在線生成 360 17.3.3 在線+離線融合生成 361 17.3.4 代碼示例 364 17.4 生成方案對比 376 17.5 本章小結 377 第 18章 推薦系統效能評價 379 18.1 推薦系統評價 379 18.2 用戶調研 380 18.3 離線測試 382 18.3.1 離線測試方法 382 18.3.2 離線測試指標 384 18.4 在線測試 384 18.4.1 A B 測 試 385 18.4.2 推薦系統的 AB 測試實驗 389 18.4.3 在線測試指標 392 18.5 本章小結 398 第 19章 推薦系統架構設計 400 19.1 系統架構概述 400 19.2 系統邊界 405 19.3 系統總體架構 407 19.4 依賴的第三方環(huán)境 413 19.4.1 大數據計算平臺 413 19.4.2 機器學習平臺 417 19.4.3 存儲平臺 420 19.4.4 數據查詢檢索平臺 421 19.4.5 Web 系統開發(fā)框架 421 19.5 系統技術架構 422 19.5.1 數據流 424 19.5.2 離線層計算 426 19.5.3 近線層計算 427 19.5.4 在線層計算 429 19.5.5 技術架構對比 432 19.6 系統部署架構 434 19.7 系統建設步驟 438 19.8 本章小結 439