BAT大牛亲授-个性化推荐算法实战

  • 第1章 个性化推荐算法综述

    个性化推荐算法综述部分,主要介绍个性化推荐算法综述,本课程内容大纲以及本课程所需要准备的编程环境与基础知识。

    • 1-1 个性化推荐算法综述
    • 1-2 个性化召回算法综述
  • 第2章 基于邻域的个性化召回算法LFM

    本章节重点介绍一种基于邻域的个性化召回算法,LFM。从LFM算法的理论知识与数学原理进行介绍。并结合公开数据集,代码实战LFM算法。

    • 2-1 LFM算法综述
    • 2-2 LFM算法的理论基础与公式推导
    • 2-3 基础工具函数的代码书写
    • 2-4 LFM算法训练数据抽取
    • 2-5 LFM模型训练
    • 2-6 基于LFM的用户个性化推荐与推荐结果分析
  • 第3章 基于图的个性化推荐召回算法personal rank

    本章节重点介绍一种基于图的个性化推荐召回算法personal rank。从personal rank算法的理论知识与数学原理进行介绍。并结合公开数据集,代码实战personal rank算法的基础版本与矩阵升级版本。

    • 3-1 personal rank算法的背景与物理意义
    • 3-2 personal rank 算法的数学公式推导
    • 3-3 代码构建用户物品二分图
    • 3-4 代码实战personal rank算法的基础版本
    • 3-5 代码实战personal rank算法矩阵版本上
    • 3-6 代码实战personal rank算法的矩阵版本下 -1
    • 3-7 代码实战personal rank算法的矩阵版本下-2
  • 第4章 基于深度学习的个性化召回算法item2vec

    本章节重点介绍一种基于深度学习的个性化召回算法item2vec。从item2vec的背景与物理意义以及算法的主流程进行介绍。并对该算法依赖的模型word2vec数学原理进行浅析。最后结合公开数据集代码实战item2vec算法。

    • 4-1 item2vec算法的背景与物理意义
    • 4-2 item2vec依赖模型word2vec之cbow数学原理介绍
    • 4-3 item2vec依赖模型word2vec之skip gram数学原理介绍
    • 4-4 代码生成item2vec模型所需训练数据
    • 4-5 word2vec运行参数介绍与item embedding
    • 4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理
  • 第5章 基于内容的推荐方法content based

    本章节重点介绍一种基于内容的推荐方法content based。从content based算法的背景与主体流程进行介绍。并代码实战content based算法。

    • 5-1 content based算法理论知识介绍
    • 5-2 content based算法代码实战之工具函数的书写
    • 5-3 用户刻画与基于内容推荐的代码实战。
  • 第6章 个性化召回算法总结与回顾

    本章节重点总结前面几章节介绍过的个性化召回算法。并介绍如何从离线与在线两个大方面评估新增一种个性化召回算法时的收益。

    • 6-1 个性化召回算法总结与评估方法的介绍。
  • 第7章 综述学习排序

    综述学习排序的思路,并介绍工业界排序架构以及本课程重点讲解的学习排序模型。

  • 第8章 浅层排序模型逻辑回归

    本章节重点介绍一种排序模型,逻辑回归模型。从逻辑回归模型的背景知识与数学原理进行介绍。并介绍样本选择与特征选择相关知识。最后结合公开数据集。代码实战训练可用的逻辑回归模型。

  • 第9章 浅层排序模型gbdt

    本章节重点介绍排序模型gbdt。分别介绍梯度提升树以及xgboost的数学原理。并介绍gbdt与LR模型的混合模型网络。最合结合公开数据集,代码实战训练gbdt模型以及gbdt与LR混合模型。

  • 第10章 基于深度学习的排序模型wide and deep

    本章节重点介绍一种基于深度学习的排序模型wide and deep。从wide and deep的网络结构与数学原理进行介绍。最后结合公开数据集。代码实战wd模型。

  • 第11章 排序模型总结与回顾

    本章节重点总结前面几章节所讲述的排序模型。并介绍如何在线与离线评估排序模型的表现。

  • 第12章 本课程回顾与总结

    本章节重点回顾本课程所讲述的所有内容。从个性化推荐算法离线架构与在线架构两个大方面一起总结回顾课程的点滴。

     

    下载地址:百度网盘

转载于:https://www.cnblogs.com/ippippy/p/10006751.html

发布了0 篇原创文章 · 获赞 8 · 访问量 7万+
展开阅读全文
评论将由博主筛选后显示,对所有人可见 | 还能输入1000个字符

个性化推荐:实战

10-01

个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。以购物网站为例,它为客户推荐商品,自动完成个性化选择商品的过程,满足客户的个性化需求,推荐基于:网站最热卖商品、客户属性、客户过去的购买行为和购买记录,推测客户将来可能的购买行为。 近几年深度学习的技术应用在语音识别、计算机视觉和自然语言理解等领域,取得了巨大的成功。如何将其应用到推荐系统是当前的研究热点。深度推荐系统现阶段的应用主要体现在如下三个层面: 1. 提升表征学习能力。 2. 深度协同过滤。 3. 特征间的深度交互。 因此开始研究用神经网络去自动学习高阶的特征交互模式,弥补人工特征工程带来的种种局限性。相关的模型包括 Wide&Deep、PNN、DeepFM、DCN 等。 在本场 Chat 中您将学到: 1. 隐语义模型(LFM)及代码实现 2. 基于集成学习的决策树模型 LightGBM 及代码实现 3. Google 深度推荐模型 Wide&Deep 及 Tensorflow 代码实现 4. Tensorflow 模型部署 5. 模型融合方式(Blending/投票表决) 6. Demo:基于热门推荐+LFM+LightGBM+Wide&Deep 多模型融合的个性化推荐系统 适合人群:对推荐算法感兴趣的学员,对当下机器学习与深度学习前沿技术的爱好者。 *当前内容版权归码字科技所有并授权显示,盗版必究。[阅读原文](http://gitbook.cn/gitchat/activity/5d92d5f4c145672781f372c6)*

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览