目    录

第1章  推荐系统基础知识介绍 1

1.1  推荐系统简介 2

1.1.1  推荐系统的应用领域 2

1.1.2  推荐系统的重要性 2

1.2  推荐系统和人工智能 3

1.2.1  机器学习 3

1.2.2  深度学习 4

1.2.3  推荐系统与人工智能的关系 4

1.3  推荐系统算法概览 5

1.4  推荐系统面临的挑战 6

1.4.1  用户隐私和数据安全问题 6

1.4.2  推荐算法的偏见和歧视 7

1.4.3  推荐算法面临的社会影响和道德考量 8

第2章  基于内容的推荐 9

2.1  文本特征提取 10

2.1.1  词袋模型 10

2.1.2  n-gram模型 14

2.1.3  特征哈希 16

2.2  TF-IDF(词频-逆文档频率) 18

2.2.1  词频计算 19

2.2.2  逆文档频率计算 20

2.2.3  TF-IDF权重计算 22

2.3  词嵌入 23

2.3.1  分布式表示方法 23

2.3.2  使用Word2Vec模型 24

2.3.3  使用GloVe模型 26

2.4  主题模型 26

2.4.1  潜在语义分析 27

2.4.2  隐含狄利克雷分布 28

2.4.3  主题模型的应用 29

2.5  文本分类和标签提取 31

2.5.1  传统机器学习 31

2.5.2  卷积神经网络 34

2.5.3  循环神经网络 45

2.6  文本情感分析 48

2.6.1  机器学习方法 48

2.6.2  深度学习方法 50

第3章  协同过滤推荐 57

3.1  协同过滤推荐介绍 58

3.2  基于用户的协同过滤 58

3.2.1  基于用户的协同过滤推荐算法的基本步骤 58

3.2.2  使用Python实现基于用户的协同过滤推荐 59

3.3  基于物品的协同过滤 61

3.3.1  计算物品之间的相似度 61

3.3.2  协同过滤推荐实践 62

3.4  基于模型的协同过滤 63

3.4.1  矩阵分解模型 64

3.4.2  基于图的模型 66

3.5  混合型协同过滤 69

第4章  混合推荐 73

4.1  特征层面的混合推荐 74

4.1.1  特征层面混合推荐介绍 74

4.1.2  用户特征融合 74

4.1.3  物品特征融合 76

4.2  模型层面的混合推荐 78

4.2.1  基于加权融合的模型组合 78

4.2.2  基于集成学习的模型组合 80

4.2.3  基于混合排序的模型组合 82

4.2.4  基于协同训练的模型组合 86

4.3  策略层面的混合推荐 88

4.3.1  动态选择推荐策略 88

4.3.2  上下文感知的推荐策略 91

第5章  基于标签的推荐 101

5.1  标签的获取和处理 102

5.1.1  获取用户的标签 102

5.1.2  获取物品的标签 104

5.1.3  标签预处理和特征提取 106

5.2  标签相似度计算 110

5.2.1  基于标签频次的相似度计算 110

5.2.2  基于标签共现的相似度计算 112

5.2.3  基于标签语义的相似度计算 118

5.3  基于标签的推荐算法 119

5.3.1  基于用户标签的推荐算法 120

5.3.2  基于物品标签的推荐算法 123

5.4  标签推荐系统的评估和优化 125

5.4.1  评估指标的选择 125

5.4.2  优化标签推荐效果 126

第6章  基于知识图谱的推荐 127

6.1  知识图谱介绍 128

6.1.1  知识图谱的定义和特点 128

6.1.2  知识图谱的构建方法 129

6.1.3  知识图谱与个性化推荐的关系 129

6.2  知识表示和语义关联 130

6.2.1  实体和属性的表示 130

6.2.2  关系的表示和推理 132

6.2.3  语义关联的计算和衡量 134

6.3  知识图谱中的推荐算法 137

6.3.1  基于路径的推荐算法 137

6.3.2  基于实体的推荐算法 139

6.3.3  基于关系的推荐算法 142

6.3.4  基于知识图谱推理的推荐算法 146

第7章  基于隐语义模型的推荐 149

7.1  隐语义模型概述 150

7.1.1  隐语义模型介绍 150

7.1.2  隐语义模型在推荐系统中的应用 151

7.2  潜在语义索引 151

7.2.1  LSI的基本思想和实现步骤 151

7.2.2  使用Python实现潜在语义索引 152

7.3  潜在狄利克雷分配 155

7.3.1  实现LDA的基本步骤 155

7.3.2  使用库Gensim构建推荐系统 156

7.4  增强隐语义模型的信息来源 159

7.4.1  基于内容信息的隐语义模型 159

7.4.2  时间和上下文信息的隐语义模型 161

7.4.3  社交网络信息的隐语义模型 163

第8章  基于神经网络的推荐模型 167

8.1  深度推荐模型介绍 168

8.1.1  传统推荐模型的局限性 168

8.1.2  深度学习在推荐系统中的应用 168

8.2  基于多层感知器的推荐模型 169

8.2.1  基于MLP推荐模型的流程 169

8.2.2  用户和物品特征的编码 170

8.3  基于卷积神经网络的推荐模型 172

8.3.1  卷积神经网络的用户和物品特征的表示 172

8.3.2  卷积层和池化层的特征提取 173

8.4  基于循环神经网络的推荐模型 177

8.4.1  序列数据的建模 178

8.4.2  历史行为序列的特征提取 182

8.5  基于自注意力机制的推荐模型 185

8.5.1  自注意力机制介绍 186

8.5.2  使用基于自注意力机制的推荐模型 186

8.6  基于强化学习的推荐模型 190

8.6.1  基于强化学习的推荐模型的构成 190

8.6.2  Q-learning算法 191

8.6.3  深度Q网络算法介绍 193

第9章  序列建模和注意力机制 203

9.1  序列建模 204

9.1.1  使用长短期记忆网络建模 204

9.1.2  使用门控循环单元建模 210

9.2  注意力机制 213

9.2.1  注意力机制介绍 213

9.2.2  注意力机制在推荐系统中的作用 214

9.2.3  使用自注意力模型 215

9.3  使用Seq2Seq模型和注意力机制实现翻译系统 219

9.3.1  Seq2Seq模型介绍 220

9.3.2  使用注意力机制改良Seq2Seq模型 221

9.3.3  准备数据集 222

9.3.4  数据预处理 222

9.3.5  实现Seq2Seq 模型 226

9.3.6  训练模型 232

9.3.7  模型评估 237

9.3.8  训练和评估 238

9.3.9  注意力的可视化 240

第10章  强化推荐学习 245

10.1  强化学习的基本概念 246

10.1.1  基本模型和原理 246

10.1.2  强化学习中的要素 247

10.1.3  网络模型设计 247

10.1.4  强化学习和深度强化学习 248

10.2  强化学习算法 249

10.2.1  值迭代算法 249

10.2.2  蒙特卡洛方法 251

10.3  深度确定性策略梯度算法 253

10.3.1  DDPG算法的核心思想 和基本思路 253

10.3.2  使用DDPG算法实现推荐 系统 254

10.4  双重深度Q网络算法 257

10.4.1  双重深度Q网络介绍 257

10.4.2  基于双重深度Q网络的歌曲 推荐系统 257

10.5  PPO策略优化算法 262

10.5.1  PPO策略优化算法介绍 262

10.5.2  使用PPO策略优化算法实现 推荐系统 263

10.6  TRPO算法 265

10.6.1  TRPO算法介绍 266

10.6.2  使用TRPO算法实现商品 推荐系统 266

10.7  A3C算法 269

10.7.1  A3C算法介绍 269

10.7.2  使用A3C算法训练推荐 系统 269

第11章  电影推荐系统 273

11.1  系统介绍 274

11.1.1  背景介绍 274

11.1.2  推荐系统和搜索引擎 275

11.1.3  项目介绍 275

11.2  系统模块 276

11.3  探索性数据分析 277

11.3.1  导入库文件 277

11.3.2  数据预处理 278

11.3.3  数据可视化 282

11.4  推荐系统 296

11.4.1  混合推荐系统 297

11.4.2  深度学习推荐系统 303

第12章  动漫推荐系统 313

12.1  背景介绍 314

12.1.1  动漫发展现状 314

12.1.2  动漫未来的发展趋势 314

12.2  系统分析 315

12.2.1  需求分析 315

12.2.2  系统目标分析 315

12.2.3  系统功能分析 316

12.3  准备数据集 316

12.3.1  动漫信息数据集 317

12.3.2  评分信息数据集 317

12.3.3  导入数据集 317

12.4  数据分析 318

12.4.1  基础数据探索方法 318

12.4.2  数据集摘要 321

12.4.3  深入挖掘 325

12.4.4  热门动漫 327

12.4.5  统计动漫类别 328

12.4.6  总体动漫评价 331

12.4.7  基于评分的热门动漫 334

12.4.8  按类别划分的动漫评分 分布 335

12.4.9  动漫类型 343

12.4.10  最终数据预处理 345

12.5  推荐系统 346

12.5.1  协同过滤推荐系统 346

12.5.2  基于内容的推荐系统 349

12.6  总结 352