详 细 目 录

第Ⅰ部分　基本方法

第1章 推荐系统简介

什么是推荐引擎 003

推荐引擎的类型 004

基于规则的推荐系统 011

流行度 011

全球流行的商品 013

按国家计算热销商品 014

再次购买 015

小结 016

第2章 超市购物车分析（关联规则挖掘）

实现 017

数据收集 018

清洗数据 019

从数据集获取的洞察 020

基于DateTime的模式 022

免费商品和销售 026

热销商品 034

经常一起购买的商品 037

Apriori算法概念 038

关联规则 040

新建函数 041

关联规则的可视化 043

小结 049

第Ⅱ部分 流行方法

第3章 内容过滤

数据收集和下载词嵌入 054

将数据导入为DataFrame 054

预处理数据 055

文本转为特征 057

OHE 057

词频向量器CountVectorizer 057

TF-IDF 058

词嵌入 058

相似性度量 059

欧几里得距离 059

余弦相似度 060

曼哈顿距离 061

使用CountVectorizer构建模型 062

使用TF-IDF特征构建模型 064

使用Word2vec特征构建模型 065

使用fastText特征构建模型 067

使用GloVe特征构建模型 068

使用共现矩阵构建模型 071

小结 072

第4章 协同过滤

实现 074

数据收集 074

关于数据集 075

基于内存的方法 076

基于客户对客户的协同过滤 078

实现 078

项目对项目的协同过滤 081

实现 082

基于KNN的方法 085

机器学习 085

监督式学习 086

小结 090

第5章 使用矩阵分解、奇异值分解和共聚类的协同过滤

实现矩阵分解、共聚类和SVD 092

实现NMF 096

实现共聚类 098

实现SVD 099

获取推荐 100

小结 104

第6章 混合推荐系统

实现 106

数据收集 106

数据准备 108

模型构建 112

合并训练集和测试集后的最终模型 117

获取推荐 117

小结 119

第Ⅲ部分 先进的机器学习算法

第7章 基于聚类的推荐系统

数据收集和下载所需的词嵌入 125

预处理数据 126

探索性数据分析 127

标签编码 129

模型构建 130

k均值聚类 130

肘部方法 131

层次聚类 131

小结 142

第8章 基于分类算法的推荐系统

方法 143

数据收集以及下载词嵌入 144

以DataFrame（pandas）形式导入数据 144

数据预处理 146

特征工程 152

探索性数据分析 153

模型构建 156

拆分训练集和测试集 157

逻辑回归 157

实现 159

决策树 161

实现 162

随机森林 163

实现 163

KNN 164

实现 164

小结 166

第Ⅳ部分 相关趋势和新技术

第9章 基于深度学习的推荐系统

深度学习（人工神经网络）基础 169

神经协同过滤（NCF） 170

实现 172

数据收集 172

以DataFrame（pandas）形式导入数据 173

数据预处理 174

拆分训练集和测试集 175

建模和推荐 175

小结 180

第10章 基于图的推荐系统

实现 182

小结 191

第11章 新兴领域和新技术

实时推荐 193

对话式推荐 194

上下文感知推荐系统 194

多任务推荐系统 195

联合表征学习 196

小结 198