BAT大牛亲授 个性化推荐算法实战

【课程目录】



第1章 个性化推荐算法综述



1-1 个性化推荐算法综述

1-2 个性化召回算法综述



第2章 基于邻域的个性化召回算法LFM



2-1 LFM算法综述

2-2 LFM算法的理论基础与公式推导

2-3 基础工具函数的代码书写

2-4 LFM算法训练数据抽取

2-5 LFM模型训练

2-6 基于LFM的用户个性化推荐与推荐结果分析



第3章 基于图的个性化推荐召回算法personal rank



3-1 personal rank算法的背景与物理意义

3-2 personal rank 算法的数学公式推导

3-3 代码构建用户物品二分图

3-4 代码实战personal rank算法的基础版本

3-5 代码实战personal rank算法矩阵版本



第4章 基于深度学习的个性化召回算法item2vec



4-1 item2vec算法的背景与物理意义

4-2 item2vec依赖模型word2vec之cbow数学原理介绍

4-3 item2vec依赖模型word2vec之skip gram数学原理介绍

4-4 代码生成item2vec模型所需训练数据

4-5 word2vec运行参数介绍与item embedding

4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理



第5章 基于内容的推荐方法content based



5-1 content based算法理论知识介绍

5-2 content based算法代码实战之工具函数的书写

5-3 用户刻画与基于内容推荐的代码实战。



第6章 个性化召回算法总结与回顾



6-1 个性化召回算法总结与评估方法的介绍。



第7章 综述学习排序



7-1 学习排序综述



第8章 浅层排序模型逻辑回归



8-1 逻辑回归模型的背景知识介绍

8-2 逻辑回归模型的数学原理

8-3 样本选择与特征选择相关知识

8-4 代码实战LR之样本选择

8-5 代码实战LR之离散特征处理

8-6 代码实战LR之连续特征处理

8-7 LR模型的训练

8-8 LR模型在测试数据集上表现

8-9 LR模型训练之组合特征介绍



第9章 浅层排序模型gbdt



9-1 背景知识介绍之决策树

9-2 梯度提升树的数学原理与构建流程

9-3 xgboost数学原理介绍

9-4 gbdt与LR混合模型网络介绍

9-5 代码训练gbdt模型

9-6 gbdt模型最优参数选择

9-7 代码训练gbdt与LR混合模型

9-8 模型在测试数据集表现