推荐系统算法实践

本书主要讲解推荐系统中的召回算法和排序算法，以及各个算法在主流工具Sklearn、Spark、TensorFlow等中的实现和应用。 书中本着循序渐的原则行讲解。首先，介绍推荐系统中推荐算法的数学基础，推荐算法的平台、工具基础，以及具体的推荐系统。其次，对推荐系统中的召回算法行讲解，主要包括基于行为相似的协同过滤召回和基于内容相似的Word2vec 召回，并且介绍其在Spark、TensorFlow 主流工具中的实现与应用。再次，讲解推荐系统中的排序算法，包括线性模型、树模型和深度学习模型，分别介绍逻辑回归、FM、决策树、随机森林、GBDT、GBDT LR、集成学习、深度森林、DNN、Wide ＆ Deep、DeepFM、YouTube推荐等模型的原理，以及其在Sklearn、Spark、TensorFlow 主流工具中的实现与应用。*后，介绍推荐算法的4 个实践案例，帮助读者行工程实践和应用，并且介绍如何在Notebook 上行代码发和算法调试，以帮助读者提升工作效率。
【推荐语】
1.本书主要讲解推荐系统中的推荐算法——召回算法和排序算法，以及各个算法在主流工具Sklearn、Spark、TensorFlow等中的实现和应用。 2.本书本着循序渐的原则行讲解，配有丰富的工程案例和源代码，可以帮助读者行工程实践并在实际工作中应用。 3.本书适合 AI、数据挖掘、大数据等领域的从业人员阅读，书中为发者展现了推荐算法的原理、实现与应用案例。
【作者】
黄美灵 现任一线互联网公司的高级工程师，拥有多年大型互联网公司推荐系统和机器学习实战经验，现从事广告推荐、应用分发和资讯Feeds流推荐相关工作。