推荐系统实战

第一章 - 0 课程总开场白-课程介绍 - 1 推荐系统的背景与价值 - 2 推荐系统是如何工作的 - 3.1 推荐系统的历史与分类 - 3.2 基于内容、基于隐语义的推荐系统 - 4.1 推荐系统评测的实验方法 - 4.2 推荐系统评测的评测指标1 - 4.3 推荐系统评测的评测指标2 - 5 推荐系统挑战与发展趋势 第二章 - 1 电商推荐的总体流程 - 2.1 电商推荐业务场景——业务设计 - 2.2 电商推荐业务场景——推荐系统设计 - 3.1 主要业务流程——推荐系统设计 - 3.2 主要模块 - 4 推荐系统与上下游的接口关系 - 5 推荐系统前后端典型API接口 第三章 - 1 推荐算法简介 - 2.1-2.3 长尾效应讲完 - 2.4-2.5 基于内容推荐（关联规则） - 2.6 关联规则算法过程、举例 - 3.1-3.2 基于内容的推荐方法（不包含示例） - 3.3 基于内容的推荐方法（示例部分，电影推荐） - 3.4-3.7 标签系统理论 - 3.8 标签系统两个算法原理 - 4.1-4.3 讲到余弦相似度的原理 - 4.4 倒排表计算相似度 - 4.5 基于用户相似度的推荐（人-书推荐示例） - 4.6 基于物品相似度推荐 - 5.1-5.2 矩阵分解算法概述、SVD算法介绍 - 5.3 BiasSVD算法介绍 - 5.4 SVDplus算法介绍、三个算法的实验 - 5.5 WR-MF算法背景、贡献 - 5.6 WR-MF算法实验、总结 - 6.1-6.2 物品协同过滤扩展-ItemKNN简要介绍 - 6.3 SLIM算法理论部分 - 6.4 SLIM算法数据集、实验 - 6.5-6.8 FISM算法理论部分 - 6.9 FISM算法实验部分-本章总结 第四章 - 1.1-1.2 CTR预估简介、为什么需要CTR - 1.3-1.4 CTR预估如何进行、CTR预估流程 - 2 逻辑回归全部 - 3.1-3.2 FM背景和算法选型、FM模型 - 3.3 FM分解机原理 - 3.4 FM案例分析与实验 - 3.5 深度FM - 4.1 GBDT原理之集成模型简介 - 4.2-4.3 什么是GBDT(1)、GB和DT - 4.2-4.3 什么是GBDT(2) - 4.2-4.3 什么是GBDT(3) - 4.3 什么是GBDT(4) - 5 GBDT与逻辑回归的融合1 - 6 GBDT与逻辑回归的融合2 第五章 - 0.1 本章引言、深度学习简介 - 0.2 深度学习之神经网络、MLP - 0.3 深度学习之CNN - 0.4 深度学习之RNN - 1.1 NCF算法原理 - 1.2 NCF算法实验 - 2 DMF算法原理、实验 - 3.1 DICF算法原理 - 3.2 DICF实验 - 4.1 图卷积神经网络概述1 - 4.2 图卷积神经网络概述2 - 4.3 图卷积神经网络概述3 - 5.1 NGCF动机、原理、模型介绍部分1 - 5.2 NGCF模型介绍部分2 - 5.3 NGCF实验讲解 - 6.1 RGCF算法模型原理1 - 6.2 RGCF实验分析 第六章 - 1 推荐系统中的冷启动问题 - 2-3 推荐系统中的可解释性问题、数据稀疏问题 - 4-6 推荐系统中的大数据与增量计算、多样性、其他问题 exp - 1 svd算法实验 - 2 biasesvd算法实验 - 3 svdpp算法实验 - 4 slim算法实验 - 5 fism算法实验 - 6 分解机FM算法实验 - 7 GBDT和LR融合算法实验 - 8 NCF算法实验1 - 9 NCF算法实验2 - 10 DICF算法实验1 - 11 DICF算法实验2 - 12 NGCF算法实验1 - 13 NGCF算法实验2 - 14 RGCF算法实验1 - 15 RGCF算法实验2