作者-於方仁 -FindBook 找書網

圖書名稱：親手開發推薦系統： PyTorch全方位實作最重要演算法

本書利用PyTorch、神經網路、圖論、機器學習，知識圖譜等最新技術，做出最棒的推薦系統。
第1、2章幫大家建立基礎，第3章從第2章推導，入門推薦演算法及推導能力。第4章介紹熱門的圖神經網路在推薦演算法中的應用。第5章深入知識圖譜推薦演算法，專業度高且實用性強，掌握前4章知識的讀者容易學習。第6到8章介紹整個推薦系統、商業和推薦工程。建議在第3章後隨時閱讀，特別是第7章系統介紹推薦系統評估指標。可在範例程式基礎上改進並利用第7章指標實際評估推薦系統效果。

【本書看點】
✪ 無痛學習推薦演算法
✪ 結合深度學習的發展，可推導出進階推薦演算法
✪ 結合圖神經網路進一步推導出推薦演算法
✪ 了解圖神經網路且應用於推薦演算法
✪ 了解整個推薦系統的詳細結構及基本做法
✪ 了解推薦工程整體的生命週期
✪ 3個重要演算法：近鄰協作過濾、ALS、FM

【適合讀者】
☛ 從事推薦系統相關工作的工程師。
☛ 對推薦系統有興趣的讀者。
☛ 也可作為大專院校、研究機構的學習參考書

作者簡介：

於方仁著
推薦演算法、圖神經網路、知識圖譜等領域專家。在推薦系統領域從業多年，現任蘇州中貿大資料CTO。善於在實戰中總結經驗，授課幽默風趣，樂於分享知識。

作者序

【前言】
在當前巨量資料時代下，推薦系統有著舉足輕重的地位。尤其是在網際網路經濟非常發達的國內，推薦系統可謂無處不在。如今推薦系統的做法變化多端，究其原因主要是近年來機器學習演算法領域的發展空前火熱。推薦系統的工程學問很多，但大方向相對較清晰，無非是收集巨量資料，然後統計分析，在做出模型之後根據模型預測使用者的偏好並做出推薦，所以如今的重點是研究推薦模型的做法，也是推薦演算法的研究。當然將演算法用作推薦早已不是新鮮事，但是問題在於推薦演算法派系眾多，例如有基於CTR預估發展的推薦演算法、序列推薦演算法、知識圖譜推薦演算法等。大的派系中還會分小派系，例如知識圖譜推薦演算法分成基於知識圖譜嵌入的推薦演算法、基於知識圖譜路徑的推薦演算法等。

✤ 本書特色
寫作本書的初衷很簡單，市面上講解推薦演算法的書不算少，找到接地氣、值得按部就班系統地學習的書卻很少，筆者想用由淺入深的正確打開方式，讓大家能無痛學習推薦演算法，所以本書的重點之一是要整理這些眾多派系的推薦演算法，找出一條清晰的脈絡讓大家能夠順利入門。正如前文所說，機器學習乃至深度學習演算法日新月異，也就代表了推薦演算法本身的發展也一定是永不停歇地向前進，所以了解眾多派系的演算法並不是最終目的，而是要透過了解現有成熟的演算法進而領略出屬於自己的演算法系統，方能跟上甚至引領這個時代。簡而言之，本書的真正重點是透過整理脈絡由淺入深地帶領大家走進推薦演算法領域，並建立自己的推薦演算法推理想法。

✤ 本書內容
第1章介紹推薦系統的發展歷史，對其做初步的了解。
第2章介紹較基礎的推薦演算法。
第3章介紹基於第2章的基礎推薦演算法結合深度學習的發展推導出的進階推薦演算法。
第4章介紹圖神經網路及結合圖神經網路進一步推導出的推薦演算法。
第5章介紹知識圖譜及結合知識圖譜進一步推導出的推薦演算法。
第6章介紹整個推薦系統的詳細結構及基本做法。
第7章介紹評估推薦演算法及推薦系統的指標及方式。
第8章介紹整個推薦工程整體的生命週期。
編者

顯示全部內容

第1章推薦系統的初步了解
1.1 什麼是推薦系統
1.2 推薦系統的由來
1.3 推薦系統的概況
1.4 推薦演算法的概況

第2章基礎推薦演算法
2.1 協作過濾
2.2 基礎近鄰指標
2.3 基於近鄰的協作過濾演算法
2.4 推薦模型評估：入門篇
2.5 進階近鄰指標
2.6 矩陣分解協作過濾演算法
2.7 邏輯回歸出發的推薦演算法
2.8 本章複習

第3章進階推薦演算法
3.1 神經網路推薦演算法推導範式
3.2 FM在深度學習中的應用
3.3 序列推薦演算法
3.4 Transformer在推薦演算法中的應用
3.5 本章複習

第4章圖神經網路與推薦演算法（2...

顯示全部內容