新书推荐 ｜ 推荐系统——飞桨深度学习实战
目录
向上滑动阅览
第1章 推荐系统概述
1.1 推荐系统的背景与价值
1.2 推荐系统是如何工作的
1.3 推荐系统的历史与分类
1.4 推荐系统评测
第2章 生产环境下的推荐系统
2.1 推荐系统的业务流程
2.2 推荐系统的主要业务模块
2.3 推荐系统架构设计
2.4 线上系统的A/B测试
第3章 机器学习算法基础
3.1 机器学习算法概述
3.2 线性回归算法
3.3 逻辑回归算法
3.4 决策树
3.5 朴素贝叶斯
3.6 神经网络
第4章 典型推荐算法
4.1 推荐算法相关知识
4.2 非个性化推荐算法
4.3 基于内容的推荐
4.4 基于统计（相似度）的方法
4.5 基于矩阵分解的个性化推荐
4.6 基于物品的协同过滤
第5章 点击率预估算法
5.1 推荐系统中的召回和排序过程
5.2 点击率预测简介
5.3 逻辑回归模型
5.4 因式分解机模型
5.5 梯度提升树模型
5.6 梯度提升树+逻辑回归模型（GBDT+LR）
5.7 基于深度学习的CTR模型
5.8 本章小结
第6章 基于深度学习的推荐算法
6.1 为什么需要深度学习
6.2 深度学习与推荐系统的分类
6.3 基于深度学习的矩阵分解推荐算法DeepMF
6.4 基于深度学习的协同过滤推荐算法NeuralCF
6.5 基于深度学习的物品协同过滤算法DICF
6.6 基于GNN的协同过滤算法
6.7 基于GNN的混合推荐算法
6.8 本章小结
第7章 一个简易的推荐系统
7.1 简易推荐系统需求描述
7.2 数据集处理
7.3 基于PaddlePaddle实现的神经网络推荐模型
7.4 模拟在线电影推荐
第8章 推荐系统中的问题与挑战
8.1 冷启动问题
8.2 数据稀疏性问题
8.3 推荐可解释性问题
8.4 大数据处理与增量计算问题
8.5 数据偏差问题
8.6 其他问题
扫码京东优惠购书