[297] 个性化推荐算法实战（可用于毕设） – 网盘下载 -

网盘链接：

1. 个性化推荐算法综述

• 1-1 个性化推荐算法课程导学
• 1-2 个性化推荐算法综述
• 1-3 个性化召回算法综述

2. 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

3. 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算法矩阵版本上
• 3-6 代码实战personal rank算法的矩阵版本下 -1
• 3-7 代码实战personal rank算法的矩阵版本下-2

4. 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

5. 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。

6. 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。

7. 综述学习排序

• 7-1 学习排序综述

8. 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-上
• 8-9 LR模型在测试数据集上表现-下
• 8-10 LR模型训练之组合特征介绍

9. 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 上
• 9-9 模型在测试数据集表现 下

10. 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
• 10-2 DNN网络结构与反向传播算法
• 10-3 wide and deep网络结构与数学原理介绍
• 10-4 .代码实战wd模型之wide侧与deep侧特征构建
• 10-5 代码实战wd模型之模型对象的构建
• 10-6 wd模型的训练与模型在测试数据集上的表现

11. 排序模型总结与回顾

• 11-1 学习排序部分总结与回顾

12. 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