第1章 个性化推荐算法综述
1-1 个性化推荐算法课程导学 (12:22)
1-2 个性化推荐算法综述 (13:14)
1-3 个性化召回算法综述 (08:11)
第2章 基于邻域的个性化召回算法LFM
2-1 LFM算法综述 (10:00)
2-2 LFM算法的理论基础与公式推导 (14:44)
2-3 基础工具函数的代码书写 (14:57)
2-4 LFM算法训练数据抽取 (15:37)
2-5 LFM模型训练 (19:24)
2-6 基于LFM的用户个性化推荐与推荐结果分析 (14:23)
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 (11:03)
3-2 personal rank 算法的数学公式推导 (09:43)
3-3 代码构建用户物品二分图 (10:52)
3-4 代码实战personal rank算法的基础版本 (21:20)
3-5 代码实战personal rank算法矩阵版本上 (16:56)
3-6 代码实战personal rank算法的矩阵版本下 -1 (02:10)
3-7 代码实战personal rank算法的矩阵版本下-2 (11:58)
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 (12:53)
4-2 item2vec依赖模型word2vec之cbow数学原理介绍 (15:59)
4-3 item2vec依赖模型word2vec之skip gram数学原理介绍 (09:25)
4-4 代码生成item2vec模型所需训练数据 (08:25)
4-5 word2vec运行参数介绍与item embedding (14:56)
4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理 (16:57)
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 (11:44)
5-2 content based算法代码实战之工具函数的书写 (17:18)
5-3 用户刻画与基于内容推荐的代码实战。 (19:08)
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。 (10:34)
第7章 综述学习排序
7-1 学习排序综述 (12:01)
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 (14:08)
8-2 逻辑回归模型的数学原理 (13:47)
8-3 样本选择与特征选择相关知识 (13:36)
8-4 代码实战LR之样本选择 (12:09)
8-5 代码实战LR之离散特征处理 (19:58)
8-6 代码实战LR之连续特征处理 (15:31)
8-7 LR模型的训练 (13:33)
8-8 LR模型在测试数据集上表现-上 (17:38)
8-9 LR模型在测试数据集上表现-下 (21:03)
8-10 LR模型训练之组合特征介绍 (17:01)
第9章 浅层排序模型gbdt
9-1 背景知识介绍之决策树 (14:54)
9-2 梯度提升树的数学原理与构建流程 (14:12)
9-3 xgboost数学原理介绍 (11:27)
9-4 gbdt与LR混合模型网络介绍 (07:25)
9-5 代码训练gbdt模型 (16:27)
9-6 gbdt模型最优参数选择 (10:23)
9-7 代码训练gbdt与LR混合模型 (19:22)
9-8 模型在测试数据集表现 上 (22:56)
9-9 模型在测试数据集表现 下 (07:47)
第10章 基于深度学习的排序模型wide and deep
10-1 背景知识介绍之什么是深度学习 (11:06)
10-2 DNN网络结构与反向传播算法 (17:23)
10-3 wide and deep网络结构与数学原理介绍 (11:12)
10-4 .代码实战wd模型之wide侧与deep侧特征构建 (16:00)
10-5 代码实战wd模型之模型对象的构建 (11:09)
10-6 wd模型的训练与模型在测试数据集上的表现 (17:17)
第11章 排序模型总结与回顾
11-1 学习排序部分总结与回顾 (12:06)
第12章 本课程回顾与总结
12-1 个性化推荐算法实战课程总结与回顾 (07:11)
