第1部分 推薦繫統介紹篇
第1章 推薦繫統概述／2
1.1 什麼是推薦繫統／2
1.2 推薦繫統的架構／3
1.3 推薦繫統架構治理／4
1.4 推薦引擎的架構／5
1.5 推薦繫統的應用／9
1.5.1 電影和視頻網站／9
1.5.2 個性化音樂電臺／10
1.5.3 個性化廣告及搜索廣告／10
1.5.4 多業務融合推薦策略實踐與思考／11
1.6 推薦繫統評測／11
1.6.1 推薦繫統實驗方法／12
1.6.2 評測指標／13
1.6.3 評測維度／14
1.7 推薦繫統知識儲備／14
第2部分 推薦繫統基礎篇
第2章 機器學習準備工作／16
2.1 機器學習緒論／18
2.1.1 數據積累／18
2.1.2 特征（過濾法、包裝法、嵌入法）／18
2.1.3 模型的不可解釋性／22
2.2 數學基礎知識／23
2.2.1 微積分／23
2.2.2 統計學／29
2.2.3 線性代數／35
2.2.4 信息論基礎／36
2.2.5 凸優化／37
2.3 Python編程／39
第3章 機器學習基礎——讓推薦繫統更懂你／49
3.1 貝葉斯分類器／49
3.1.1 貝葉斯決策論／53
3.1.2 大似然估計／57
3.1.3 EM算法／59
3.1.4 垃圾郵件過濾實戰／62
3.2 決策樹／65
3.3 支持向量機（SVM）／70
3.3.1 SVM介紹／70
3.3.2 半監督SVM／71
3.4 KNN算法／71
3.5 線性回歸／73
3.6 邏輯回歸／77
3.7 Spark MLlib／79
3.7.1 Spark MLlib簡介／79
3.7.2 Spark MLlib矩陣計算／80
3.7.3 Spark MLlib實現分類算法／81
3.7.4 Spark MLlib實現回歸算法／81
3.7.5 Spark MLlib實現聚類算法／82
3.8 聚類任務／82
3.8.1 k均值聚類算法／82
3.8.2 高斯混合聚類／85
第3部分 推薦繫統進階篇
第4章 基於點擊率預估、RBM的推薦／94
4.1 傳統推薦算法的局限和應用／94
4.1.1 傳統推薦算法的局限／94
4.1.2 傳統推薦算法的應用／95
4.1.3 點擊率預估在推薦繫統中的應用／95
4.2 集成學習（Ensemble Learning）／95
4.2.1 GBDT／96
4.2.2 XgBoost／97
4.2.3 Bagging與隨機森林／98
4.3 實例：基於RBM的推薦算法／102
第5章 基於標簽的推薦／104
5.1 基於標簽繫統的應用／104
5.2 數據標注與關鍵詞提取／104
5.2.1 推薦繫統中的數據標注／104
5.2.2 推薦繫統中的關鍵詞提取／105
5.2.3 標簽的分類／106
5.3 基於標簽的推薦繫統／106
5.3.1 標簽評分算法／106
5.3.2 標簽評分算法改進／107
5.3.3 標簽基因／107
5.3.4 用戶興趣建模／107
5.4 實例：使用標簽推薦算法實現藝術家的推薦／108
5.4.1 了解實現思路／108
5.4.2 準備數據／108
5.4.3 選擇算法／109
5.4.4 模型訓練／109
5.4.5 效果評估／110
第6章 推薦算法／112
6.1 基於內容的推薦算法／112
6.2 基於用戶行為特征的推薦算法／113
6.2.1 User-Based CF詳解及優化／114
6.2.2 Item-Based CF詳解及優化／115
6.2.3 融合Match中協同過濾思想的深度排序模型／116
6.3 基於模型的推薦算法／117
6.4 基於流行度的推薦算法／118
6.5 混合算法／119
6.6 基於圖的模型／120
6.6.1 用戶行為數據的二分圖表示／120
6.6.2 基於圖的推薦算法／121
6.7 基於社交網絡的推薦／121
6.7.1 基於鄰域的社會化推薦算法／121
6.7.2 基於圖的社會化推薦算法／122
6.8 Slope-one推薦算法／122
6.9 基於DNN的推薦算法介紹／123
6.10 基於TF實現稀疏自編碼和在推薦中的應用／124
6.11 聯邦推薦算法及應用／127
第7章 推薦繫統冷啟動及召回方法／131
7.1 冷啟動問題簡介／131
7.2 選擇合適的物品啟動用戶的興趣／131
7.3 利用物品的內容信息／132
7.4 Multi-View DNN模型解決用戶冷啟動／132
第4部分 推薦繫統強化篇
第8章 基於上下文的推薦／134
8.1 基於時間特征的推薦／134
8.1.1 時間效應介紹／134
8.1.2 推薦繫統的實時性／135
8.1.3 協同過濾中的時間因子／135
8.2 實例：增加時間衰減函數的協同過濾算法／136
8.2.1 在UserCF算法中增加時間衰減函數／136
8.2.2 在ItemCF算法中增加時間衰減函數／137
第9章 文本處理／139
9.1 Word2Vec／139
9.1.1 Word2Vec簡介／139
9.1.2 詞向量／141
9.1.3 分層優化語言模型／147
9.1.4 連續詞袋模型／147
9.2 fastText／150
9.2.1 模型架構／150
9.2.2 層次Softmax／151
9.2.3 N-Gram子詞特征／151
9.2.4 fastText和Word2Vec的區別／152
9.2.5 使用fastText分類／152
9.3 Gensim／154
9.3.1 Gensim基本概念／154
9.3.2 Gensim的安裝及簡單使用／154
9.3.3 主題向量的轉化：TF-IDF（詞頻逆文檔頻率）／156
9.3

由於技術知識領域特別廣，我們不可能針對所有的技術都了解得特別通透，因此隻有選好了一個領域，纔可以對某項技術有更深入的研究，學習的內容纔會更加繫統化，而推薦繫統就是筆者持續研究的技術領域。我將社區上一些比較有意思的東西積累起來，針對一些疑難問題也會將它們記錄下來，在這樣的不斷閱讀、寫作過程中，我得到了快速成長。目前，推薦繫統領域實戰類相關的書籍並不是很多，所以我將關於推薦繫統方面的知識進行整理、改進，同時也加入了一些工作中積累的知識。本書的內容不局限於理論知識的講解，還包括了實戰項目的開發環節。
《推薦繫統實戰寶典》不是僅僅關於推薦算法的分析書籍，書中還囊括了很多實例。首先，本書會先講解算法，然後針對每一個算法都會有一個實戰的項目，該項目可以是一個小例子，也可以是一個工作中遇到的大型項目。其次，本書會是一個比較“新”的書，這裡的“新”並不是指所分析的代碼或者是講解的算法新，它的“新”包含了兩點，點是會帶領讀者了解到要成為一名推薦繫統開發工程師都需要掌握什麼知識，還有實現推薦繫統都需要什麼流程，書中提到的知識不一定會有詳細的講解，比如數學章節，由於本書的重點不在於數學知識的學習，因此隻會略微提及，並且會使用實例來幫助讀者理解，這麼做的目的是讓讀者在集中學習推薦算法的同時，認識到基礎是非常重要的，很多關於機器學習領域更深層次的研究或者工作，正是由於基礎知識的積累，纔可以達到想要的高度；第二點的“新”指的是本書還包含了推薦繫統在一些新領域的應用實例，以及一些關於推薦算法的全新思想（如融合Match中協同過濾思想的深度排序模型）。讀者將在本書中領略到一些在機器學習中經常被提到的算法是怎麼應用在推薦繫統中的。期待本書能給廣大讀者帶來更多的啟發。
《推薦繫統實戰寶典》適合具有一定Java語言、Python語言基礎的讀者，尤其適合以下讀者朋友：
1）大數據開發工程師、機器學習開發工程師、推薦繫統開發工程師。
2）高年級本科生或研究生。
3）熱衷於推薦繫統開發的技術愛好者。
《推薦繫統實戰寶典》分為五大部分：“推薦繫統介紹篇”（第1章）包括推薦繫統概述；“推薦繫統基礎篇”（第2～3章）包括機器學習準備工作、機器學習基礎—讓推薦繫統更懂你；“推薦繫統進階篇”（第4～7章）包括基於點擊率預估、RBM的推薦，基於標簽的推薦，推薦算法，推薦繫統冷啟動及召回方法；“推薦繫統強化篇”（第8～11章）包括基於上下文的推薦、文本處理、使用矩陣分解的推薦、推薦模型預估與選擇；“推薦繫統實戰篇”（第12～17章）包括搭建一個簡易版的生產環境推薦繫統、新聞資訊推薦繫統開發、電影推薦繫統開發、基於hbase spark的廣告精準投放及推薦繫統開發、基於推薦功能的搜索引擎開發、基於卷積神經網絡提取特征構建推薦繫統。
後感謝我的家人、朋友、同事以及機械工業出版社的編輯，你們在工作、生活和寫作中不斷給予我幫助和支持，協助我解決各種各樣的問題。正因如此纔有了本書中所展現的精彩內容。
由於編者水平有限，書中難免會有錯漏之處，懇請讀者批評指正。各位讀者可以將關於本書的意見和建議發送到郵箱：1697312000@qq.com。本書涉及的源碼可通過郵件獲取。