推荐系统开发实战 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

《推荐系统开发实战》是一本关于推荐系统从入门到进阶的读物，采用“理论+实践”的形式展开，不仅对各种推荐算法进行了介绍，还对算法所涉及的基础理论知识进行了补充。

全书共分为3篇：

第1篇是“推荐系统的背景介绍和入门”，包括走进推荐系统、搭建你的第一个推荐系统和推荐系统常用数据集介绍；

第2篇是“推荐系统涉及的算法介绍、冷启动和效果评估”，包括数据挖掘——让推荐系统更懂你、基于用户行为特征的推荐、基于标签的推荐、基于上下文的推荐、基于点击率预估的推荐、推荐系统中的冷启动和推荐系统中的效果评估；

第3篇是“推荐系统实例”，包括搭建一个新闻推荐系统、搭建一个音乐推荐系统、搭建一个图书推荐系统和业界推荐系统架构介绍。

《推荐系统开发实战》中的实例开发几乎都是基于公开的数据集进行的，当然也涉及一些网络中获取的数据，其最终目的都是让读者能够更好地理解推荐算法，更直观地认识推荐系统。

书中所涉及的数据集和实例代码都会提供给读者，这不仅在一定程度上方便读者学习，而且为以后的工作提供了便利。

《推荐系统开发实战》非常适合有一定编程基础、对推荐系统感兴趣的读者，希望用推荐算法完成设计的高等院校计算机或电子信息专业的学生，准备开设推荐系统实践课的授课老师，学习过Python、希望进一步提升编程水平的开发者，初学数据挖掘、机器学习的算法工程师或数据分析师阅读使用。

==第1篇 推荐系统的背景介绍和入门

=

第1章 走进推荐系统

2

1.1 从“啤酒与尿布”到推荐系统的前世今生

2

∣1.1.1 “啤酒与尿布”

2

∣1.1.2 推荐系统的前世今生

2

1.2 推荐系统可以做什么

4

∣1.2.1 什么是推荐系统

4

∣1.2.2 在电商类产品中的应用

5

∣1.2.3 在社交类产品中的应用

6

∣1.2.4 在音乐类产品中的应用

8

∣1.2.5 在视频类产品中的应用

9

∣1.2.6 在阅读类产品中的应用

10

∣1.2.7 在服务类产品中的应用

11

1.3 学习本书需要的技能

12

∣1.3.1 Python基础

12

∣1.3.2 数据结构

14

∣1.3.3 工程能力

15

1.4 如何学习本书

17

1.5 知识导图

17

=

第2章 搭建你的第一个推荐系统

19

2.1 实例1：搭建电影推荐系统

19

∣2.1.1 利用Netflix数据集准备数据

19

∣2.1.2 使用Python表示数据

21

∣2.1.3 选择相似用户

23

∣2.1.4 为用户推荐相似用户喜欢的电影

24

∣2.1.5 分析效果

25

2.2 总结：搭建推荐系统的一般步骤

26

∣2.2.1 准备数据

26

∣2.2.2 选择算法

27

∣2.2.3 模型训练

28

∣2.2.4 效果评估

28

2.3 知识导图

28

=

第3章 推荐系统常用数据集介绍

29

3.1 MovieLens数据集

29

∣3.1.1 README

29

∣3.1.2 ratings.dat

29

∣3.1.3 movies.dat

31

∣3.1.4 users.dat

34

3.2 Book-Crossings数据集

36

∣3.2.1 BX-Book-Ratings.csv

37

∣3.2.2 BX-Books.csv

39

∣3.2.3 BX-Users.csv

39

3.3 Last.fm数据集

41

∣3.3.1 README

41

∣3.3.2 artists.dat

41

∣3.3.3 tags.dat

41

∣3.3.4 user_artists.dat

42

∣3.3.5 user_friends.dat

42

∣3.3.6 uses_taggedartists.dat

42

∣3.3.7 user_taggedartists-timestamps.dat

42

3.4 FourSquare数据集

43

∣3.4.1 users.dat

43

∣3.4.2 venues.dat

44

∣3.4.3 checkins.dat

44

∣3.4.4 socialgraph.dat

44

∣3.4.5 ratings.dat

45

3.5 Kaggle比赛之retailrocket 数据集

46

∣3.5.1 events.csv

47

∣3.5.2 category_tree.csv

49

∣3.5.3 item_properties.csv

49

3.6 场景分析

49

3.7 知识导图

50

=

==第2篇 推荐系统涉及的算法介绍、冷启动和效果评估

=

第4章 数据挖掘——让推荐系统更懂你

52

4.1 数据预处理

52

∣4.1.1 数据标准化

52

∣4.1.2 实例2：实现数据的标准化

54

∣4.1.3 数据离散化

56

∣4.1.4 实例3：基于信息熵的数据离散化

58

∣4.1.5 数据抽样

61

∣4.1.6 数据降维

63

∣4.1.7 实例4：对鸢尾花数据集特征进行降维

66

∣4.1.8 数据清理

68

∣4.1.9 相似度计算

71

4.2 数据分类

74

∣4.2.1 K最近邻算法

74

∣4.2.2 实例5：利用KNN算法实现性别判定

75

∣4.2.3 决策树算法

77

∣4.2.4 实例6：构建是否举办活动的决策树

80

∣4.2.5 朴素贝叶斯算法

84

∣4.2.6 实例7：基于朴素贝叶斯算法进行异常账户检测

87

∣4.2.7 分类器的评估

90

∣4.2.8 实例8：scikit-learn中的分类效果评估

92

4.3 数据聚类

92

∣4.3.1 kMeans算法

92

∣4.3.2 实例9：基于kMeans算法进行商品价格聚类

95

∣4.3.3 二分-kMeans算法

98

∣4.3.4 实例10：基于二分-kMeans算法进行商品价格聚类

99

∣4.3.5 聚类算法的评估

100

∣4.3.6 实例11：scikit-learn中的聚类效果评估

102

4.4 关联分析

103

∣4.4.1 Apriori算法

103

∣4.4.2 实例12：基于Apriori算法实现频繁项集和相关规则挖掘

106

4.5 知识导图

110

=

第5章 基于用户行为特征的推荐

111

5.1 用户行为分类

111

5.2 基于内容的推荐算法

112

∣5.2.1 算法原理——从“构造特征”到“判断用户是否喜欢”

112

∣5.2.2 实例13：对手机属性进行特征建模

115

5.3 实例14：编写一个基于内容推荐算法的电影推荐系统

117

∣5.3.1 了解实现思路

117

∣5.3.2 准备数据

119

∣5.3.3 选择算法

122

∣5.3.4 模型训练

122

∣5.3.5 效果评估

123

5.4 基于近邻的推荐算法

124

∣5.4.1 UserCF算法的原理——先“找到相似同户”，再“找到他们喜欢的物品”

124

∣5.4.2 ItemCF算法的原理——先“找到用户喜欢的物品”，再“找到喜欢物品的相似物品”

131

5.5 实例15：编写一个基于UserCF算法的电影推荐系统

137

∣5.5.1 了解实现思路

138

∣5.5.2 准备数据

138

∣5.5.3 选择算法

138

∣5.5.4 模型训练

138

∣5.5.5 效果评估

141

5.6 实例16：编写一个基于ItemCF算法的电影推荐系统

141

∣5.6.1 了解实现思路

141

∣5.6.2 准备数据

142

∣5.6.3 选择算法

142

∣5.6.4 模型训练

142

∣5.6.5 效果评估

144

5.7 对比分析：UserCF算法和ItemCF算法

145

5.8 对比分析：基于内容和基于近邻

146

5.9 基于隐语义模型的推荐算法

147

∣5.9.1 LFM概述

147

∣5.9.2 LFM算法理解

148

5.10 实例17：编写一个基于LFM的电影推荐系统

152

∣5.10.1 了解实现思路

152

∣5.10.2 准备数据

152

∣5.10.3 选择算法

154

∣5.10.4 模型训练

155

∣5.10.5 效果评估

158

5.11 知识导图

159

=

第6章 基于标签的推荐

161

6.1 基于标签系统的应用

161

∣6.1.1 Last.fm

161

∣6.1.2 Delicious

162

∣6.1.3 豆瓣

163

∣6.1.4 网易云音乐

163

6.2 数据标注与关键词提取

165

∣6.2.1 推荐系统中的数据标注

165

∣6.2.2 推荐系统中的关键词提取

167

∣6.2.3 标签的分类

168

6.3 实例18：基于TF-IDF算法提取商品标题的关键词

169

∣6.3.1 了解TF-IDF算法

169

∣6.3.2 认识商品标题描述

170

∣6.3.3 提取关键词

170

6.4 基于标签的推荐系统

174

∣6.4.1 标签评分算法

174

∣6.4.2 标签评分算法改进

176

∣6.4.3 标签基因

177

∣6.4.4 用户兴趣建模

177

6.5 实例19：利用标签推荐算法实现艺术家的推荐

178

∣6.5.1 了解实现思路

178

∣6.5.2 准备数据

178

∣6.5.3 选择算法

179

∣6.5.4 模型训练

179

∣6.5.5 效果评估

182

6.6 知识导图

182

=

第7章 基于上下文的推荐

184

7.1 基于时间特征的推荐

184

∣7.1.1 时间效应介绍

184

∣7.1.2 时间效应分析

187

∣7.1.3 推荐系统的实时性

194

∣7.1.4 协同过滤中的时间因子

195

7.2 实例20：实现一个“增加时间衰减函数的协同过滤算法”

197

∣7.2.1 在UserCF算法中增加时间衰减函数

197

∣7.2.2 在ItemCF算法中增加时间衰减函数

199

7.3 基于地域和热度特征的推荐

200

∣7.3.1 为什么要将地域和热度特征放在一起

201

∣7.3.2 解读LARS中的地域特征

202

∣7.3.3 基于地域和热度的推荐算法

204

7.4 实例21：创建一个基于地域和热度的酒店推荐系统

206

∣7.4.1 了解实现思路

206

∣7.4.2 准备数据

207

∣7.4.3 选择算法

207

∣7.4.4 模型训练

207

∣7.4.5 效果评估

210

7.5 其他上下文信息

210

7.6 知识导图

210

=

第8章 基于点击率预估的推荐

212

8.1 传统推荐算法的局限和应用

212

∣8.1.1 传统推荐算法的局限

212

∣8.1.2 传统推荐算法的应用

213

8.2 点击率预估在推荐系统中的应用

214

8.3 集成学习

214

∣8.3.1 集成学习概述

215

∣8.3.2 Boosting算法（提升法）

215

∣8.3.3 Bagging算法（自助法）

216

∣8.3.4 Stacking算法（融合法）

217

8.4 导数、偏导数、方向导数、梯度

217

∣8.4.1 导数

217

∣8.4.2 偏导数

217

∣8.4.3 方向导数

218

∣8.4.4 梯度

219

∣8.4.5 梯度下降

219

8.5 GBDT算法

222

∣8.5.1 Gradient Boosting方法

223

∣8.5.2 决策树

223

∣8.5.3 GBDT算法的原理

224

8.6 实例22：基于GBDT算法预估电信客户流失

227

∣8.6.1 了解实现思路

227

∣8.6.2 准备数据

229

∣8.6.3 选择算法

232

∣8.6.4 模型训练

232

∣8.6.5 效果评估

234

8.7 回归分析

236

∣8.7.1 什么是回归分析

236

∣8.7.2 回归分析算法分类

236

8.8 Logistic Regression算法

237

∣8.8.1 Sigmoid函数

237

∣8.8.2 LR为什么要使用Sigmoid函数

239

∣8.8.3 LR的算法原理分析

240

8.9 实例23：基于LR算法预估电信客户流失

241

∣8.9.1 准备数据

242

∣8.9.2 选择算法

242

∣8.9.3 模型训练

242

∣8.9.4 效果评估

243

8.10 GBDT+LR的模型融合

245

∣8.10.1 GBDT+LR模型融合概述

245

∣8.10.2 为什么选择GBDT和LR进行模型融合

246

∣8.10.3 GBDT+LR模型融合的原理

246

8.11 实例24：基于GBDT和LR算法预估电信客户流失

247

∣8.11.1 准备数据

247

∣8.11.2 选择算法

247

∣8.11.3 模型训练

247

∣8.11.4 效果评估

248

8.12 知识导图

251

=

9章 推荐系统中的冷启动

252

9.1 冷启动介绍

252

∣9.1.1 冷启动的分类

252

∣9.1.2 冷启动的几种实现方法

252

9.2 基于热门数据推荐实现冷启动

253

9.3 利用用户注册信息实现冷启动

254

∣9.3.1 注册信息分析

254

∣9.3.2 实例25：分析Book-Crossings数据集中的共性特征

255

∣9.3.3 实现原理

261

9.4 利用用户上下文信息实现冷启动

261

∣9.4.1 设备信息特征

262

∣9.4.2 时间地域信息特征

262

∣9.4.3 实现原理

262

9.5 利用第三方数据实现冷启动

263

9.6 利用用户和系统之间的交互实现冷启动

263

∣9.6.1 实现原理

263

∣9.6.2 推荐系统中实时交互的应用

265

∣9.6.3 实例26：用户实时交互推荐系统设计

266

9.7 利用物品的内容属性实现冷启动

267

∣9.7.1 物品内容属性分析

267

∣9.7.2 物品信息的使用

268

9.8 利用专家标注数据实现冷启动

269

9.9 知识导图

270

=

10章 推荐系统中的效果评估

271

10.1 用户调研

271

10.2 在线评估

272

10.3 在线实验方式——ABTest

272

∣10.3.1 ABTest介绍

272

∣10.3.2 ABTest流程

272

∣10.3.3 ABTest的注意事项

273

10.4 在线评估指标

274

∣10.4.1 点击率

275

∣10.4.2 转化率

275

∣10.4.3 网站成交额

275

10.5 离线评估

276

10.6 拆分数据集

276

∣10.6.1 留出法

277

∣10.6.2 K-折交叉验证法

277

∣10.6.3 自助法

277

∣10.6.4 实例27：使用sklearn包中的train_test_split()函数进行数据集拆分

278

∣10.6.5 实例28：使用sklearn包中的KFold()函数产生交叉验证数据集

280

∣10.6.6 实例29：使用sklearn包中的cross_validate()函数演示交叉验证

281

10.7 离线评估指标

282

∣10.7.1 准确度指标之预测分类准确度指标

282

∣10.7.2 实例30：使用sklearn包中的metrics类预测分类准确度

288

∣10.7.3 准确度指标之预测评分准确度指标

290

∣10.7.4 实例31：使用sklearn包中的metrics类预测评分准确度

290

∣10.7.5 准确度指标之预测评分关联指标

291

∣10.7.6 准确度指标之排序准确度指标

292

∣10.7.7 非准确度指标

292

10.8 知识导图

296

=

第3篇 推荐系统实例

=

第11章 实例32：搭建一个新闻推荐系统

298

11.1 准备数据

298

11.2 预处理数据

298

∣11.2.1 原始数据加工

298

∣11.2.2 新闻热度值计算

299

∣11.2.3 新闻相似度计算

300

∣11.2.4 指定标签下的新闻统计

302

11.3 设计架构

303

11.4 实现系统

304

∣11.4.1 准备环境

304

∣11.4.2 实现后端接口

304

∣11.4.3 实现前端界面

309

∣11.4.4 系统演示

309

11.5 代码复现

311

∣11.5.1 安装依赖

311

∣11.5.2 数据入库

312

∣11.5.3 修改配置

312

∣11.5.4 项目启动

312

11.6 知识导图

312

=

第12章 实例33：搭建一个音乐推荐系统

314

12.1 准备数据

314

12.2 预处理数据

314

∣12.2.1 计算歌曲、歌手、用户相似度

314

∣12.2.2 计算用户推荐集

315

∣12.2.3 数据导入数据库

319

12.3 设计架构

321

12.4 实现系统

322

∣12.4.1 准备环境

322

∣12.4.2 实现后端接口

322

∣12.4.3 实现前端界面

324

∣12.4.4 系统演示

324

12.5 代码复现

327

∣12.5.1 安装依赖

327

∣12.5.2 数据入库

327

∣12.5.3 修改配置

327

∣12.5.4 项目启动

328

12.6 知识导图

328

=

第13章 实例34：搭建一个图书推荐系统

329

13.1 准备数据

329

13.2 预处理数据

329

∣13.2.1 原始数据加工

329

∣13.2.2 数据导入数据库

331

∣13.2.3 模型准备

331

13.3 设计架构

332

13.4 实现系统

333

∣13.4.1 准备环境

333

∣13.4.2 实现后端接口

333

∣13.4.3 实现前端界面

336

∣13.4.4 系统演示

336

13.5 代码复现

338

13.6 知识导图

338

=

第14章 业界推荐系统架构介绍

340

14.1 概述

340

14.2 架构介绍

340

14.3 召回内容

342

14.4 计算排序

343

∣14.4.1 特征工程

343

∣14.4.2 特征分类

343

∣14.4.3 排序算法

343

14.5 物品过滤和展示

344

∣14.5.1 物品过滤

344

∣14.5.2 物品展示

344

14.6 效果评估

344

14.7 知识导图

345

高阳团，原京东推荐算法工程师。全网唯一ID：Thinkgamer，CSDN博客专家，博客地址为https://blog.csdn.net/ gamer_gyt。一直从事推荐系统相关的研究和开发工作，擅长推荐排序、Spark、深度学习。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：推荐系统开发实战在线阅读

在线听书地址：推荐系统开发实战在线收听

在线购买地址：推荐系统开发实战在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

《推荐系统开发实战》是一本关于推荐系统从入门到进阶的读物，采用“理论+实践”的形式展开，不仅对各种推荐算法进行了介绍，还对算法所涉及的基础理论知识进行了补充。

全书共分为3篇：

第1篇是“推荐系统的背景介绍和入门”，包括走进推荐系统、搭建你的第一个推荐系统和推荐系统常用数据集介绍；

第2篇是“推荐系统涉及的算法介绍、冷启动和效果评估”，包括数据挖掘——让推荐系统更懂你、基于用户行为特征的推荐、基于标签的推荐、基于上下文的推荐、基于点击率预估的推荐、推荐系统中的冷启动和推荐系统中的效果评估；

第3篇是“推荐系统实例”，包括搭建一个新闻推荐系统、搭建一个音乐推荐系统、搭建一个图书推荐系统和业界推荐系统架构介绍。

《推荐系统开发实战》中的实例开发几乎都是基于公开的数据集进行的，当然也涉及一些网络中获取的数据，其最终目的都是让读者能够更好地理解推荐算法，更直观地认识推荐系统。

书中所涉及的数据集和实例代码都会提供给读者，这不仅在一定程度上方便读者学习，而且为以后的工作提供了便利。

《推荐系统开发实战》非常适合有一定编程基础、对推荐系统感兴趣的读者，希望用推荐算法完成设计的高等院校计算机或电子信息专业的学生，准备开设推荐系统实践课的授课老师，学习过Python、希望进一步提升编程水平的开发者，初学数据挖掘、机器学习的算法工程师或数据分析师阅读使用。