第1章 個性化推薦演算法綜述
個性化推薦演算法綜述部分，主要介紹個性化推薦演算法綜述，本課程內容大綱以及本課程所需要準備的程式設計環境與基礎知識。

第2章 基於鄰域的個性化召回演算法LFM
本章節重點介紹一種基於鄰域的個性化召回演算法，LFM。從LFM演算法的理論知識與數學原理進行介紹。並結合公開資料集，程式碼實戰LFM演算法。

第3章 基於圖的個性化推薦召回演算法personal rank
本章節重點介紹一種基於圖的個性化推薦召回演算法personal rank。從personal rank演算法的理論知識與數學原理進行介紹。並結合公開資料集，程式碼實戰personal rank演算法的基礎版本與矩陣升級版本。

第4章 基於深度學習的個性化召回演算法item2vec
本章節重點介紹一種基於深度學習的個性化召回演算法item2vec。從item2vec的背景與物理意義以及演算法的主流程進行介紹。並對該演算法依賴的模型word2vec數學原理進行淺析。最後結合公開資料集程式碼實戰item2vec演算法。

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演算法的背景與主體流程進行介紹。並程式碼實戰content based演算法。

第6章 個性化召回演算法總結與回顧
本章節重點總結前面幾章節介紹過的個性化召回演算法。並介紹如何從離線與線上兩個大方面評估新增一種個性化召回演算法時的收益。

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 淺層排序模型邏輯迴歸
本章節重點介紹一種排序模型，邏輯迴歸模型。從邏輯迴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徵選擇相關知識。最後結合公開資料集。程式碼實戰訓練可用的邏輯迴歸模型。

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模型的混合模型網路。最合結合公開資料集，程式碼實戰訓練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的網路結構與數學原理進行介紹。最後結合公開資料集。程式碼實戰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。並介紹如何線上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。從個性化推薦演算法離線架構與線上架構兩個大方面一起總結回顧課程的點滴。

下載地址:百度網盤下載