第1章 推薦系統(tǒng)基礎知識 1.1 推薦系統(tǒng)簡介 1 1.1.1 推薦系統(tǒng)的應用領域 1 1.1.2 推薦系統(tǒng)的重要性 1 1.2 推薦系統(tǒng)和人工智能 2 1.2.1 機器學習 2 1.2.2 深度學習 2 1.2.3 推薦系統(tǒng)與人工智能的關系 2 1.3 推薦系統(tǒng)算法概覽 3 1.4 推薦系統(tǒng)面臨的挑戰(zhàn) 3 1.4.1 用戶隱私和數據安全問題 3 1.4.2 推薦算法的偏見和歧視 4 1.4.3 推薦系統(tǒng)的社會影響和道德考量 5第2章 基于內容的推薦 2.1 文本特征提取 6 2.1.1 詞袋模型 6 2.1.2 n-gram模型 9 2.1.3 特征哈希 10 2.2 TF-IDF（詞頻逆文檔頻率） 12 2.2.1 詞頻計算 12 2.2.2 逆文檔頻率計算 13 2.2.3 TF-IDF權重計算 14 2.3 詞嵌入（word embedding） 15 2.3.1 分布式表示方法 15 2.3.2 使用Word2Vec模型 16 2.3.3 使用GloVe模型 17 2.4 主題模型（topic modeling） 17 2.4.1 潛在語義分析 17 2.4.2 主題模型的應用 18 2.5 文本分類和標簽提取 19 2.5.1 傳統(tǒng)機器學習方法 20 2.5.2 卷積神經網絡 21 2.5.3 循環(huán)神經網絡 29 2.6 文本情感分析 31 2.6.1 機器學習方法 31 2.6.2 深度學習方法 33第3章 協同過濾推薦 3.1 協同過濾推薦介紹 38 3.2 基于用戶的協同過濾 38 3.2.1 基于用戶的協同過濾算法的基本步驟 38 3.2.2 Python的基于用戶的協同過濾算法 39 3.3 基于物品的協同過濾 40 3.3.1 計算物品之間的相似度 40 3.3.2 進行推薦 41 3.4 基于模型的協同過濾 42 3.4.1 矩陣分解模型 42 3.4.2 基于圖的模型 44 3.5 混合型協同過濾 45第4章 混合推薦 4.1 特征層面的混合推薦 48 4.1.1 特征層面混合推薦介紹 48 4.1.2 用戶特征融合 48 4.1.3 物品特征融合 49 4.2 模型層面的混合推薦 50 4.2.1 基于加權融合的模型組合 51 4.2.2 基于集成學習的模型組合 52 4.2.3 基于混合排序的模型組合 53 4.2.4 基于協同訓練的模型組合 56 4.3 策略層面的混合推薦 58 4.3.1 動態(tài)選擇推薦策略 58 4.3.2 上下文感知的推薦策略 60第5章 基于標簽的推薦 5.1 標簽的獲取和處理方法 67 5.1.1 獲取用戶的標簽 67 5.1.2 獲取物品的標簽 69 5.1.3 標簽預處理和特征提取 70 5.2 標簽相似度計算方法 73 5.2.1 基于標簽頻次的相似度計算 73 5.2.2 基于標簽共現的相似度計算 74 5.2.3 基于標簽語義的相似度計算 78 5.3 基于標簽的推薦算法 79 5.3.1 基于用戶標簽的推薦算法 79 5.3.2 基于物品標簽的推薦算法 81 5.4 標簽推薦系統(tǒng)的評估和優(yōu)化 83 5.4.1 評估指標的選擇 83 5.4.2 優(yōu)化標簽推薦效果 83第6章 基于知識圖譜的推薦 6.1 知識圖譜介紹 85 6.1.1 知識圖譜的定義和特點 85 6.1.2 知識圖譜的構建方法 85 6.1.3 知識圖譜與個性化推薦的關系 86 6.2 知識表示和語義關聯 86 6.2.1 實體和屬性的表示 86 6.2.2 關系的表示和推理 88 6.2.3 語義關聯的計算和衡量 89 6.3 知識圖譜中的推薦算法 91 6.3.1 基于路徑體的推薦算法 91 6.3.2 基于實體的推薦算法 92 6.3.3 基于關系的推薦算法 95 6.3.4 基于知識圖譜推理的推薦算法 97第7章 基于隱語義模型的推薦 7.1 隱語義模型概述 99 7.1.1 隱語義模型介紹 99 7.1.2 隱語義模型在推薦系統(tǒng)中的應用 99 7.2 潛在語義索引 100 7.2.1 LSI的基本思想和實現步驟 100 7.2.2 Python中的潛在語義索引實現 100 7.3 潛在狄利克雷分配 103 7.3.1 實現LDA的基本步驟 103 7.3.2 使用庫gensim構建推薦系統(tǒng) 103 7.4 增強隱語義模型的信息來源 105 7.4.1 基于內容信息的隱語義模型 105 7.4.2 時間和上下文信息的隱語義模型 107 7.4.3 社交網絡信息的隱語義模型 108第8章 基于神經網絡的推薦模型 8.1 深度推薦模型介紹 111 8.1.1 傳統(tǒng)推薦模型的局限性 111 8.1.2 深度學習在推薦系統(tǒng)中的應用 111 8.2 基于MLP的推薦模型 112 8.2.1 基于MLP推薦模型的流程 112 8.2.2 用戶和物品特征的編碼 112 8.3 基于卷積神經網絡的推薦模型 114 8.3.1 卷積神經網絡的用戶和物品特征的表示 114 8.3.2 卷積層和池化層的特征提取 114 8.4 基于循環(huán)神經網絡的推薦模型 117 8.4.1 序列數據的建模 117 8.4.2 歷史行為序列的特征提取 120第9章 序列建模和注意力機制 9.1 序列建模 124 9.1.1 使用長短期記憶網絡建模 124 9.1.2 使用門控循環(huán)單元建模 128 9.2 注意力機制 130 9.2.1 注意力機制介紹 130 9.2.2 注意力機制在推薦系統(tǒng)中的作用 131 9.2.3 使用自注意力模型 131 9.3 使用Seq2Seq模型和注意力機制開發(fā)翻譯系統(tǒng) 134 9.3.1 Seq2Seq模型介紹 135 9.3.2 使用注意力機制改良Seq2Seq模型 135 9.3.3 準備數據集 136 9.3.4 數據預處理 136 9.3.5 實現Seq2Seq 模型 139 9.3.6 訓練模型 142 9.3.7 模型評估 146 9.3.8 訓練和評估 147 9.3.9 注意力的可視化 148第10章 強化推薦學習 10.1 強化學習的基本概念 152 10.1.1 基本模型和原理 152 10.1.2 強化學習中的主要要素 152 10.1.3 網絡模型設計 153 10.1.4 強化學習算法和深度強化學習 153 10.2 強化學習算法 154 10.2.1 值迭代算法 154 10.2.2 Q-learning算法 155 10.2.3 蒙特卡洛方法算法 157 10.3 深度Q網絡算法 158 10.4 深度確定性策略梯度算法 160 10.4.1 DDPG算法的核心思想和基本思路 160 10.4.2 使用DDPG算法實現推薦系統(tǒng) 161 10.5 雙重深度Q網絡算法 163 10.5.1 雙重深度Q網絡介紹 163 10.5.2 基于雙重深度Q網絡的歌曲推薦系統(tǒng) 164 10.6 PPO策略優(yōu)化算法 167 10.6.1 PPO策略優(yōu)化算法介紹 167 10.6.2 使用PPO策略優(yōu)化算法實現推薦系統(tǒng) 168 10.7 TRPO算法 170 10.7.1 TRPO算法介紹 170 10.7.2 使用TRPO算法實現商品推薦系統(tǒng) 170 10.8 A3C算法 172 10.8.1 A3C算法介紹 172 10.8.2 使用A3C算法訓練推薦系統(tǒng) 172第11章 實時電影推薦系統(tǒng)開發(fā) 11.1 系統(tǒng)介紹 176 11.1.1 背景介紹 176 11.1.2 推薦系統(tǒng)和搜索引擎 176 11.1.3 項目介紹 177 11.2 系統(tǒng)模塊 177 11.3 數據采集和整理 177 11.3.1 數據整理 177 11.3.2 電影詳情數據 180 11.4 情感分析和序列化操作 186 11.5 Web端實時推薦 187 11.5.1 Falsk啟動頁面 187 11.5.2 模板文件 189 11.5.3 后端處理 194第12章 服裝推薦系統(tǒng)開發(fā) 12.1 背景介紹 202 12.2 系統(tǒng)分析 202 12.2.1 系統(tǒng)介紹 202 12.2.2 系統(tǒng)功能分析 202 12.3 準備數據集 203 12.3.1 產品介紹 203 12.3.2 數據集介紹 203 12.4 工具類 204 12.4.1 讀取文件 204 12.4.2 寫入、保存數據 205 12.5 數據集處理 206 12.5.1 初步分析 206 12.5.2 數據清洗 213 12.5.3 探索性數據分析和特征工程 226 12.6 實現推薦模型 226 12.6.1 實現商品推薦和排序 226 12.6.2 排序模型 231 12.6.3 基于ResNet的圖像推薦模型 238 12.6.4 訓練排名模型 247 12.6.5 數據處理和特征工程 248 12.6.6 損失處理 253 12.6.7 評估處理 254 12.7 系統(tǒng)主文件 256