• 第1章 個性化推薦算法綜述

  個性化推薦算法綜述部分，主要介紹個性化推薦算法綜述，本課程內容大綱以及本課程所需要準備的編程環境與基礎知識。

  • 1-1 個性化推薦算法綜述
  • 1-2 個性化召回算法綜述

• 第2章 基於鄰域的個性化召回算法LFM

  本章節重點介紹一種基於鄰域的個性化召回算法，LFM。從LFM算法的理論知識與數學原理進行介紹。並結合公開數據集，代碼實戰LFM算法。

  • 2-1 LFM算法綜述
  • 2-2 LFM算法的理論基礎與公式推導
  • 2-3 基礎工具函數的代碼書寫
  • 2-4 LFM算法訓練數據抽取
  • 2-5 LFM模型訓練
  • 2-6 基於LFM的用戶個性化推薦與推薦結果分析

• 第3章 基於圖的個性化推薦召回算法personal rank

  本章節重點介紹一種基於圖的個性化推薦召回算法personal rank。從personal rank算法的理論知識與數學原理進行介紹。並結合公開數據集，代碼實戰personal rank算法的基礎版本與矩陣升級版本。

  • 3-1 personal rank算法的背景與物理意義
  • 3-2 personal rank 算法的數學公式推導
  • 3-3 代碼構建用戶物品二分圖
  • 3-4 代碼實戰personal rank算法的基礎版本
  • 3-5 代碼實戰personal rank算法矩陣版本上
  • 3-6 代碼實戰personal rank算法的矩陣版本下 -1
  • 3-7 代碼實戰personal rank算法的矩陣版本下-2

• 第4章 基於深度學習的個性化召回算法item2vec

  本章節重點介紹一種基於深度學習的個性化召回算法item2vec。從item2vec的背景與物理意義以及算法的主流程進行介紹。並對該算法依賴的模型word2vec數學原理進行淺析。最後結合公開數據集代碼實戰item2vec算法。

  • 4-1 item2vec算法的背景與物理意義
  • 4-2 item2vec依賴模型word2vec之cbow數學原理介紹
  • 4-3 item2vec依賴模型word2vec之skip gram數學原理介紹
  • 4-4 代碼生成item2vec模型所需訓練數據
  • 4-5 word2vec運行參數介紹與item embedding
  • 4-6 基於item bedding產出物品相似度矩陣與item2vec推薦流程梳理

• 第5章 基於內容的推薦方法content based

  本章節重點介紹一種基於內容的推薦方法content based。從content based算法的背景與主體流程進行介紹。並代碼實戰content based算法。

  • 5-1 content based算法理論知識介紹
  • 5-2 content based算法代碼實戰之工具函數的書寫
  • 5-3 用戶刻畫與基於內容推薦的代碼實戰。

• 第6章 個性化召回算法總結與回顧

  本章節重點總結前面幾章節介紹過的個性化召回算法。並介紹如何從離線與在線兩個大方面評估新增一種個性化召回算法時的收益。

  • 6-1 個性化召回算法總結與評估方法的介紹。

• 第7章 綜述學習排序

  綜述學習排序的思路，並介紹工業界排序架構以及本課程重點講解的學習排序模型。

• 第8章 淺層排序模型邏輯回歸

  本章節重點介紹一種排序模型，邏輯回歸模型。從邏輯回歸模型的背景知識與數學原理進行介紹。並介紹樣本選擇與特征選擇相關知識。最後結合公開數據集。代碼實戰訓練可用的邏輯回歸模型。

• 第9章 淺層排序模型gbdt

  本章節重點介紹排序模型gbdt。分別介紹梯度提升樹以及xgboost的數學原理。並介紹gbdt與LR模型的混合模型網絡。最合結合公開數據集，代碼實戰訓練gbdt模型以及gbdt與LR混合模型。

• 第10章 基於深度學習的排序模型wide and deep

  本章節重點介紹一種基於深度學習的排序模型wide and deep。從wide and deep的網絡結構與數學原理進行介紹。最後結合公開數據集。代碼實戰wd模型。

• 第11章 排序模型總結與回顧

  本章節重點總結前面幾章節所講述的排序模型。並介紹如何在線與離線評估排序模型的表現。

• 第12章 本課程回顧與總結

  本章節重點回顧本課程所講述的所有內容。從個性化推薦算法離線架構與在線架構兩個大方面一起總結回顧課程的點滴。

  下載地址：百度網盤

BAT大牛親授-個性化推薦算法實戰