动手学推荐系统-基于PyTorch的算法实现（微课视频版）

动手学推荐系统——基于PyTorch的算法实现（微课视频版）读书笔记模板01思维导图目录分析读书笔记内容摘要作者介绍精彩摘录目录0305020406思维导图微课算法推荐系统系统第章算法代码算法推荐模型图小节知识图谱特征第章系统基础关键字分析思维导图内容摘要内容摘要本书从理论结合实践编程来学习推荐系统。由浅入深，先基础后进阶，先理论后实践，先主流后推导。第1章较为简单，仅初步带领大家了解什么是推荐系统及推荐系统的简史。第2章到第5章介绍的是主流的推荐算法及推荐算法的推导过程，这部分是本书的核心，每个算法都描述的非常详细且有具体代码帮助大家理解，深度学习的框架将采用PyTorch。第6章介绍的是商业及推荐系统的组成结构，第7章系统地介绍了推荐系统的评估指标及方式。第8章则介绍整个推荐工程的生命周期。第6~8章可随时抽取出来提前看。本书配套示例代码及微课视频，帮助读者快速入门推荐算法及系统。本书可作为高等院校、科研机构或从事推荐系统工作的工程师的参考书籍，也可作为高年级本科生和研究生的学习参考书籍。目录分析1.1什么是推荐系统1.2推荐系统的由来1.3推荐系统的概况1.4推荐算法的概况第1章推荐系统的初步了解1.2推荐系统的由来1.2.1Tapestry1.2.2GroupLens2.1协同过滤2.2基础近邻指标2.3基于近邻的协同过滤算法2.4推荐模型评估：入门篇2.5进阶近邻指标12345第2章基础推荐算法2.6矩阵分解协同过滤算法2.8本章总结2.7逻辑回归出发的推荐算法第2章基础推荐算法2.2基础近邻指标2.2.1CN相似度2.2.2Jaccard相似度2.2.3Cos相似度2.2.4Pearson相似度2.2.5Pearson相似度与Cos相似度之间的联系2.3基于近邻的协同过滤算法2.3.1UserCF2.3.2行为相似与内容相似的区别2.3.3ItemCF2.3.4实战：UserCF2.3.5实战：ItemCF2.3.6实战：标注为1～5的评分2.4推荐模型评估：入门篇2.4.1广义的准确率、精确率、召回率2.4.2推荐系统的准确率、精确率、召回率2.4.3推荐列表评测2.4.4对近邻协同过滤模型进行评测2.5进阶近邻指标2.5.1User-IIF与Item-IUF2.5.2更高效地利用流行度定义近邻指标2.5.3自定义相似度指标的范式2.6矩阵分解协同过滤算法2.6.1SVD矩阵分解2.6.2将SVD用作推荐2.6.3LFM隐因子模型2.6.4ALS代码实现2.6.5推荐模型评估：MSE、RMSE、MAE2.6.6以深度学习端到端训练思维理解ALS2.6.7ALS代码实现PyTorch版2.7逻辑回归出发的推荐算法2.7.1显式反馈与隐式反馈2.7.2逻辑回归2.7.3POLY22.7.4FM2.7.5以深度学习端到端训练思维理解FM2.8本章总结2.8.13个重要算法：近邻协同过滤、ALS、FM2.8.2协同过滤算法总结3.1神经网络推荐算法推导范式3.2FM在深度学习中的应用3.3序列推荐算法3.4Transformer在推荐算法中的应用3.5本章总结12345第3章进阶推荐算法3.1神经网络推荐算法推导范式3.1.1ALS+MLP3.1.2特征向量+MLP3.1.3结合CNN的推荐3.1.4结合RNN的推荐3.1.5ALS结合RNN3.1.6联合训练的RNN3.1.7小节总结3.2FM在深度学习中的应用3.2.1FNN3.2.2改进后的FNN3.2.3Wide&Deep3.2.4DeepFM3.2.5AFM3.2.6小节总结3.3序列推荐算法3.3.1基本序列推荐模型3.3.2DIN与注意力计算方式3.3.3从PReLU到Dice激活函数3.3.4DIEN模拟兴趣演化的序列网络3.4Transformer在推荐算法中的应用3.4.1从推荐角度初步了解Transformer3.4.2多头注意力与缩放点乘注意力算法3.4.3残差3.4.4LayerNormalization3.4.5前馈神经网络层3.4.6位置编码3.4.7TransformerEncoder3.4.8利用Transformer编码器的推荐算法BST3.4.9TransformerDecoder4.1图论基础4.3图神经网络4.2基于图的基础推荐方式第4章图神经网络与推荐算法4.5本章总结4.4基于图神经网络的推荐第4章图神经网络与推荐算法4.1图论基础4.1.1什么是图4.1.2无向图与有向图4.1.3无权图与有权图4.1.4同构图与异构图4.1.5图的表示：邻接矩阵4.1.6图的表示：邻接列表4.1.7图的表示：边集4.1.8邻居与度4.1.9结构特征、节点特征、边特征4.2基于图的基础推荐方式4.2.1链路预测(LinkPrediction)4.2.2什么是路径4.2.3基于路径的基础链路预测4.2.4图游走算法DeepWalk4.2.5图游走算法Node2Vec4.3图神经网络4.3.1GCN图卷积网络4.3.2GAT图注意力网络4.3.3消息传递4.3.4图采样介绍4.3.5图采样算法：GraphSAGE4.3.6图采样算法：PinSAGE4.4基于图神经网络的推荐4.4.1利用GCN的推荐算法4.4.2利用GAT的推荐算法4.4.3图神经网络结合FM的推荐算法：GFM4.4.4GFM加入注意力机制的推荐算法：GAFM4.4.5小节总结5.1知识图谱基础5.2KnowledgeGraphEmbedding知识图谱嵌入5.3基于知识图谱嵌入的推荐算法5.4基于知识图谱路径的推荐算法第5章知识图谱与推荐算法5.5知识图谱嵌入结合图路径的推荐RippLeNet5.7本章总结5.6图神经网络与知识图谱第5章知识图谱与推荐算法5.1知识图谱基础5.1.1知识图谱定义5.1.2RDF到HRT三元组5.1.3知识图谱推荐算法与图神经网络推荐算法的发展脉络5.1.4知识图谱推荐算法的概览5.1.5基于知识图谱推荐的优劣势5.1.6Freebase数据集介绍5.2KnowledgeGraphEmbedding知识图谱嵌入5.2.1翻译距离模型TransE5.2.2翻译距离模型TransH5.2.3翻译距离模型TransR5.2.4其他翻译距离模型5.2.5语义匹配模型RESCAL5.2.6其他语义匹配模型5.3基于知识图谱嵌入的推荐算法5.3.1利用知识图谱嵌入做推荐模型的基本思路5.3.2最简单的知识图谱推荐算法CKE5.3.3CKE扩展及演化5.3.4加强知识图谱信息的影响：MKR5.3.5MKR扩展5.3.6针对更新频率很快的新闻场景知识图谱推荐算法：DKN5.4基于知识图谱路径的推荐算法5.4.1元路径5.4.2路径相似度(PathSim)5.4.3学习元路径的权重：PER5.4.4异构图的图游走算法：MetaPath2Vec5.4.5MetaPath2Vec的扩展5.5知识图谱嵌入结合图路径的推荐RippLeNet5.5.1RippLeNet基础思想5.5.2RippLeNet计算过程5.5.3水波图采样5.5.4RippLeNet实际操作时的注意事项与代码范例5.6图神经网络与知识图谱5.6.1最基础的基于图神经网络的知识图谱推荐算法KGCN5.6.2KGCN的扩展KGNN-LS5.6.3图注意力网络在知识图谱推荐算法中的应用KGAT5.6.4GFM与知识图谱的结合KGFM6.1推荐系统结构6.3LSH-Embedding匹配的加速算法6.2预测服务部分第6章推荐系统的构造6.4模型训练部分6.6冷启动6.5数据处理部分第6章推荐系统的构造6.1推荐系统结构6.1.1预测服务概览6.1.2模型训练概览6.1.3数据处理概览6.1.4推荐系统结构概览6.2预测服务部分6.2.1逻辑召回6.2.2近邻召回6.2.3Embedding召回6.2.4基于模型的召回：粗排序层6.2.5精排序层6.2.6小节总结6.3LSH-Embedding匹配的加速算法6.3.1Min-Hash6.3.2LSH6.3.3双塔模型+LSH召回实战6.4模型训练部分6.4.1全量训练与增量训练6.4.2定时训练与实时训练6.4.3离线训练与在线训练6.4.4小节总结6.5数据处理部分6.5.1特征工程数据流6.5.2用户画像与产品画像6.5.3生成标注6.5.4负例采样6.5.5统计类数据流6.5.6批处理与流处理6.5.7大数据处理工具简介：Spark6.5.8大数据处理工具简介：Flink6.5.9小节总结6.6冷启动6.6.1用户冷启动6.6.2物品冷启动6.6.3物品冷启动到沉寂的生命周期6.6.4系统冷启动7.2TopK推荐评测指标7.1基础机器学习模型评测指标第7章推荐系统的评估7.4在线对比测试7.3业务性评测指标第7章推荐系统的评估7.1基础机器学习模型评测指标7.1.1准确率7.1.2精确率7.1.3召回率7.1.4F1-Score7.1.5ROC曲线7.1.6AUC7.1.7LogLoss7.1.8MSE、RMSE、MAE7.2TopK推荐评测指标7.2.1TopK精确率与召回率7.2.2TopK测试与普通模型测试的区别7.2.3MeanAveragePrecision(MAP)7.2.4HitRatio(HR)7.2.5MeanReciprocalRank(MRR)7.2.6NormalizedDiscountedCumulativeGain(NDCG)7.2.7小节总结7.3业务性评测指标7.3.1点击率CTR(ClickThroughRate)7.3.2转化率CVR(ConversionRate)7.3.3覆盖率(Coverage)7.3.4多样性(Diversity)7.3.5信息熵(Entropy)7.3.6新颖度(Novelty)7.3.7惊喜度(Surprise)7.3.8小节总结7.4在线对比测试7.4.1A/B测试7.4.2交叉测试7.4.3A/B测试与交叉测试的优劣势8.1了解数据与推荐目的8.2初期的特征筛选8.3推荐系统结构设计8.4模型研发第8章推荐工程的生命周期8.6优化推荐系统8.5搭建推荐系统第8章推荐工程的生命周期8.2初期的特征筛选8.2.1去除空值太多的特征类目8.2.2去除单一值太多的特征类目8.2.3去除一一映射关系的特征8.2.4计算信息增益比筛选特征8.2.