21. 推荐系统

Shuai Zhang (Amazon), Aston Zhang (Amazon), and Yi Tay (Google)

推荐系统已在业界广泛应用，并渗透到我们日常生活的方方面面。这些系统被用于许多领域，例如在线购物网站（如 amazon.com）、音乐/电影服务网站（如 Netflix 和 Spotify）、移动应用商店（如 IOS app store 和 google play）、在线广告等，不胜枚举。

推荐系统的主要目标是帮助用户发现相关项目，如要观看的电影、要阅读的文本或要购买的产品，从而创造愉快的用户体验。此外，推荐系统是线上零售商为推动增量收入而实施的最强大的机器学习系统之一。推荐系统是搜索引擎的替代品，它减少了主动搜索的精力，并为用户带来他们从未搜索过的惊喜。许多公司借助更有效的推荐系统，成功地在竞争中脱颖而出。因此，推荐系统不仅是我们日常生活的核心，在某些行业中也是不可或缺的。

在本章中，我们将介绍推荐系统的基础知识和最新进展，并探讨一些常用的基本技术，用于根据不同的可用数据源构建推荐系统及其实现。具体来说，您将学习如何预测用户可能对某个潜在项目给出的评分，如何生成项目推荐列表，以及如何从丰富的特征中预测点击率。这些任务在现实世界的应用中很常见。通过学习本章，您将获得解决真实世界推荐问题的实践经验，不仅会用到经典方法，还会用到更先进的基于深度学习的模型。

• 21.1. 推荐系统概述
  • 21.1.1. 协同过滤
  • 21.1.2. 显式反馈和隐式反馈
  • 21.1.3. 推荐任务
  • 21.1.4. 小结
  • 21.1.5. 练习
• 21.2. MovieLens 数据集
  • 21.2.1. 获取数据
  • 21.2.2. 数据集统计
  • 21.2.3. 切分数据集
  • 21.2.4. 加载数据
  • 21.2.5. 小结
  • 21.2.6. 练习
• 21.3. 矩阵分解
  • 21.3.1. 矩阵分解模型
  • 21.3.2. 模型实现
  • 21.3.3. 评估指标
  • 21.3.4. 训练和评估模型
  • 21.3.5. 小结
  • 21.3.6. 练习
• 21.4. AutoRec：使用自编码器进行评分预测
  • 21.4.1. 模型
  • 21.4.2. 实现模型
  • 21.4.3. 重新实现评估器
  • 21.4.4. 训练和评估模型
  • 21.4.5. 小结
  • 21.4.6. 练习
• 21.5. 推荐系统的个性化排序
  • 21.5.1. 贝叶斯个性化排序损失及其实现
  • 21.5.2. Hinge 损失及其实现
  • 21.5.3. 小结
  • 21.5.4. 练习
• 21.6. 用于个性化排序的神经协同过滤
  • 21.6.1. NeuMF 模型
  • 21.6.2. 模型实现
  • 21.6.3. 带负采样的自定义数据集
  • 21.6.4. 评估器
  • 21.6.5. 训练和评估模型
  • 21.6.6. 小结
  • 21.6.7. 练习
• 21.7. 序列感知推荐系统
  • 21.7.1. 模型架构
  • 21.7.2. 模型实现
  • 21.7.3. 带负采样的序列数据集
  • 21.7.4. 加载 MovieLens 100K 数据集
  • 21.7.5. 训练模型
  • 21.7.6. 小结
  • 21.7.7. 练习
• 21.8. 特征丰富的推荐系统
  • 21.8.1. 在线广告数据集
  • 21.8.2. 数据集包装器
  • 21.8.3. 小结
  • 21.8.4. 练习
• 21.9. 分解机
  • 21.9.1. 二阶分解机
  • 21.9.2. 高效的优化准则
  • 21.9.3. 模型实现
  • 21.9.4. 加载广告数据集
  • 21.9.5. 训练模型
  • 21.9.6. 小结
  • 21.9.7. 练习
• 21.10. 深度分解机
  • 21.10.1. 模型架构
  • 21.10.2. DeepFM的实现
  • 21.10.3. 训练和评估模型
  • 21.10.4. 小结
  • 21.10.5. 练习