- 第一章1.1什么是推荐系统 08:30
- 第一章1.2推荐系统的由来 07:39
- 第一章1.3推荐系统的概况 08:21
- 1.4推荐算法的概况 05:43
- 2.1协同过滤 06:29
- 第二章2.2.1~2.2.2CN相似度与Jacard相似度 11:45
- 第二章2.2.3cos相似度 15:24
- 第二章2.2.4Pearson相似度 06:51
- 第二章2.2.5Pearson相似度与Cos相似度之间的联系 12:54
- 第二章2.3.1UserCF 03:06
- 第二章2.3.2行为相似与内容相似的区别 13:01
- 第二章2.3.3ItemCF 17:39
- 第二章2.3.4实战：userCF 18:34
- 第二章2.3.5实战：itemCF 10:42
- 第二章2.3.6实战：标注为1~5的评分 21:12
- 第二章2.4.1~2.4.2推荐系统评估，准确率、精确率、召回率 18:35
- 第二章2.4.3推荐列表评测 09:32
- 第二章2.4.4对近邻协同过滤模型进行评测 16:45
- 2.5.1User-IIF 与 Item-IUF 12:07
- 2.5.2更高效地利用流行度定义近邻指标 13:34
- 第二章2.5.3自定义相似度指标的范式 04:19
- 第二章2.6.1SVD矩阵分解 11:26
- 2.6.2将SVD用作推荐 06:47
- 2.6.3LFM隐因子模型 13:41
- 第二章2.6.4ALS代码实现 18:40
- 第二章2.6.5推荐模型评估：MSE、RMSE、MAE 06:59
- 第二章2.6.6以深度学习端到端训练思维理解ALS 24:45
- 第二章2.6.7ALS代码实现PyTorch版 07:57
- 第二章2.7.0逻辑回归出发的推荐算法 09:12
- 第二章2.7.1逻辑回归出发的推荐算法 08:26
- 第二章2.7.2逻辑回归 10:55
- 第二章2.7.3POLY2 16:34
- 第二章2.7.4FM(上) 14:10
- 第二章2.7.4FM(下) 10:41
- 第二章2.7.5以深度学习端到端训练思维理解FM 21:06
- 2.8本章总结 13:02
- 第三章3.1.0神经网络推荐算法推导范式 06:26
- 第三章3.1.1ALS MLP(上) 15:26
- 第三章3.1.1ALS MLP(下) 06:30
- 第三章3.1.2特征向量 MLP 15:59
- 第三章3.1.3结合CNN的推荐 08:13
- 3.1.4结合RNN的推荐(上) 14:28
- 3.1.4结合RNN的推荐(下) 13:15
- 第三章3.1.5ALS结合RNN 10:29
- 第三章3.1.6联合训练的RNN 24:57
- 第三章3.1.7小节总结 03:40
- 第三章3.2.1FNN 04:23
- 第三章3.2.2改进过后的FNN 09:48
- 第三章3.2.3WideDeep 11:09
- 第三章3.2.4DeepFM 10:43
- 3.2.5AFM 15:53
- 第三章3.2.6小节总结 02:51
- 第三章3.3.1基本序列推荐模型 10:26
- 第三章3.3.2DIN与注意力计算方式(上) 15:22
- 3.3.2DIN与注意力计算方式(下) 06:27
- 第三章3.3.3从PReLU到Dice激活函数 12:43
- 3.3.4DIEN 模拟兴趣演化的序列网络(上) 16:58
- 第三章3.3.4DIEN 模拟兴趣演化的序列网络(下) 18:53
- 3.4.0Transformer在推荐算法中的应用 05:48
- 3.4.1从推荐角度初步了解Transformer 05:46
- 第三章3.4.2多头注意力与缩放点乘注意力算法 12:34
- 第三章3.4.3残差 04:26
- 第三章3.4.4Layer Normalization 04:10
- 3.4.5Feed Forward前馈神经网络层 02:48
- 第三章3.4.6位置编码 13:58
- 第三章3.4.7Transformer Encoder 05:12
- 第三章3.4.8利用Transformer编码器的推荐算法 BST 09:02
- 第三章3.4.9Transformer Decoder 21:58
- 第三章3.4.10结合Transformer解码器的推荐算法推导 12:33
- 第三章3.5本章总结 05:05
- 图神经网络与推荐算法 04:31
- 第四章4.1.1~4.0.9图论基础 19:24
- 第四章4.1.10处理图的Python库推荐 05:35
- 第四章4.2.0~4.2.1基于图的基础推荐方式_链路预测 ( Link Prediction ) 04:10
- 第四章4.2.2什么是路径 02:15
- 第四章4.2.3基于路径的基础链路预测 11:48
- 第四章4.2.4图游走算法 DeepWalk(上) 13:37
- 4.2.4图游走算法 DeepWalk(下) 11:01
- 第四章4.2.5图游走算法 Node2Vec 12:19
- 第四章4.3.1GCN 图卷积网络(上) 18:32
- 4.3.1GCN 图卷积网络(下) 15:24
- 4.3.2GAT 图注意力网络 12:54
- 第四章4.3.3消息传递 10:12
- 第四章4.3.4图采样介绍 03:03
- 第四章4.3.5图采样算法：GraphSAGE 05:44
- 第四章4.3.6图采样算法：PinSAGE 08:58
- 第四章4.4.0基于图神经网络的推荐 12:31
- 4.4.1利用GCN的推荐算法 24:36
- 第四章4.4.2利用GAT的推荐算法(上) 25:14
- 第四章4.4.2利用GAT的推荐算法(下) 18:25
- 第四章4.4.3图神经网络结合FM的推荐算法：GFM 10:21
- 第四章4.4.4GFM加入注意力机制的推荐算法：GAFM 18:34
- 第四章4.4.5小节总结 04:59
- 第五章 知识图谱与推荐算法 07:05
- 第五章5.1.1知识图谱定义 04:20
- 5.1.2RDF 到 HRT三元组 03:46
- 第五章5.1.3知识图谱推荐算法与图神经网络推荐算法的发展脉络 02:55
- 第五章5.1.4知识图谱推荐算法的概览 05:18
- 第五章5.1.5基于知识图谱推荐的优劣势 06:43
- 5.1.6Freebase数据集介绍 04:57
- 第五章5.2.0Knowledge Graph Embedding知识图谱嵌入 02:44
- 5.2.1翻译距离模型TransE 15:09
- 第五章5.2.2翻译距离模型TransH(上) 15:06
- 第五章5.2.2翻译距离模型TransH(下) 09:26
- 第五章5.2.3翻译距离模型TransR 11:36
- 第五章5.2.4其他翻译距离模型 07:10
- 第五章5.2.5语义匹配模型RESCAL 06:44
- 第五章5.2.6其他语义匹配模型 11:05
- 5.3.1利用知识图谱嵌入做推荐模型的基本思路 08:40
- 第五章5.3.2最简单的知识图谱推荐算法CKE 11:36
- 5.3.3CKE 扩展及演化 03:14
- 第五章5.3.4加强知识图谱信息的影响：MKR 28:29
- 第五章5.3.5MKR扩展 08:37
- 5.3.6针对更新频率很快的新闻场景知识图谱推荐算法：DKN 12:21
- 第五章5.4.1元路径 08:41
- 第五章5.4.2路径相似度 ( PathSim ) 27:44
- 第五章5.4.3学习元路径的权重：PER(上) 18:22
- 5.4.3学习元路径的权重：PER(下) 23:39
- 第五章5.4.4异构图的图游走算法：MetaPath2Vec 12:57
- 第五章5.4.5MetaPath2Vec的扩展 02:49
- 第五章5.5.1RippleNet基础思想 05:43
- 5.5.2RippleNet计算过程 09:59
- 第五章5.5.3水波图采样 13:55
- 第五章5.5.4RippleNet实际操作时的注意事项与代码范例 43:00
- 5.6.1最基础的基于图神经网络的知识图谱推荐算法KGCN(上) 12:59
- 5.6.1最基础的基于图神经网络的知识图谱推荐算法KGCN(下) 13:48
- 第五章5.6.2KGCN的扩展 KGNN-LS 08:46
- 5.6.3图注意力网络在知识图谱推荐算法中的应用KGAT 10:58
- 第五章5.6.4GFM与知识图谱的结合KGFM 08:37
- 第五章5.7本章总结 10:30
- 推荐系统的构造 05:34
- 第六章6.1.1~6.1.4推荐系统结构概览 11:35
- 第六章6.2.0预测服务部分 03:11
- 第六章6.2.1逻辑召回 04:42
- 第六章6.2.2近邻召回 04:34
- 6.2.3Embedding召回 11:01
- 第六章6.2.4基于模型的召回：粗排序层 08:20
- 第六章6.2.5精排序层 04:14
- 第六章6.2.6小节总结 04:45
- 第六章6.3.1Min-Hash(上) 13:55
- 第六章6.3.1Min-Hash(下) 16:27
- 第六章6.3.2LSH 16:24
- 第六章6.3.3双塔模型 LSH召回实战 08:29
- 第六章6.4模型训练部分 25:06
- 第六章6.5.0数据处理部分 04:47
- 第六章6.5.1特征工程数据流 19:38
- 第六章6.5.2用户画像与产品画像 09:26
- 第六章6.5.3生成标注 05:58
- 6.5.4负例采样 06:23
- 6.5.5统计类数据流 01:05
- 6.5.6批处理与流处理 09:18
- 第六章6.5.7大数据处理工具简介：Spark 03:42
- 6.5.8大数据处理工具简介：Flink 04:24
- 6.5.9小节总结 03:26
- 第六章6.6.0冷启动 01:22
- 6.6.1用户冷启动 08:30
- 6.6.2物品冷启动 07:00
- 6.6.3物品冷启动到沉寂的生命周期 09:03
- 第六章6.6.4系统冷启动 05:34
- 推荐系统的评估 02:06
- 第七章7.1.1~7.1.3准确率，精确率，召回率 04:11
- 7.1.4F1 – Score 07:28
- 第七章7.1.5ROC曲线 16:33
- 7.1.6AUC 07:59
- 第七章7.1.7Log Loss 04:45
- 第七章7.1.8MSE、RMSE、MAE 02:32
- 第七章7.2.1TopK精确率与召回率 07:16
- 第七章7.2.2TopK测试与普通模型测试的区别 13:15
- 第七章7.2.3Mean Average Precision ( MAP ) 10:38
- 第七章7.2.4Hit Ratio ( HR ) 07:38
- 7.2.5Mean Reciprocal Rank ( MRR ) 02:33
- 第七章7.2.6NDCG 06:50
- 第七章7.2.7小节总结 07:13
- 第七章7.3.1~7.3.2点击率CTR与转化率CVR 04:12
- 第七章7.3.3覆盖率 ( Coverage ) 02:57
- 第七章7.3.4多样性 ( Diversity ) 08:11
- 第七章7.3.5信息熵 ( Entropy ) 04:48
- 7.3.6新颖度 ( Novelty ) 01:04
- 第七章7.3.7惊喜度 ( Surprise ) 03:19
- 7.3.8小节总结 01:41
- 7.4.0在线对比测试 06:47
- 第七章7.4.1~7.4.3AB测试与交叉测试 04:44
- 第八章 推荐工程的生命周期8.1了解数据与推荐目的 03:41
- 第八章8.2.4计算信息增益比筛选特征 13:26
- 第八章8.2.5计算皮尔逊相关系数筛选特征 01:13
- 第八章8.2.6通过L1正则过滤特征 03:29
- 8.2.7通过业务知识筛选特征 02:52
- 8.2~8.2.3初期的特征筛选 12:07
- 第八章8.3推荐系统结构设计 03:19
- 第八章8.4模型研发 05:00
- 第八章8.5搭建推荐系统 04:56
- 8.6优化推荐系统 26:50
- 4.2.4图游走算法 DeepWalk(上) 07:33
- 第四章4.5本章总结 10:15
- 结语 14:24
- 参1
- 参2
- 参3
- 参4
- 参5
- 参6
- 参7
- 参8
- 动手学推荐系统-源代码.zip
授课教师
资源管理
最新学员
学员动态
sssd
开始学习课时 第一章1.1什么是推荐系统
q4iwn7
开始学习课时 第一章1.2推荐系统的由来
q4iwn7
开始学习课时 第一章1.1什么是推荐系统
q4iwn7
开始学习课时 动手学推荐系统-源代码.zip
q4iwn7
加入课程 动手学推荐系统——基于PyTo...