文泉课堂
- 年轻人的新知识课堂。
旗下网站
旗下产品
文泉考试
文泉题库
关注我们
文泉课堂公众号
课程
课程
登录
注册
登录
注册
动手学推荐系统——基于PyTorch的算法实现（微课视频版）（9787302606284/091753-01）
第169课时： 第七章7.2.3Mean Average Precision ( MAP )
查看课程
课时列表
第1课时： 第一章1.1什么是推荐系统
第2课时： 第一章1.2推荐系统的由来
第3课时： 第一章1.3推荐系统的概况
第4课时： 1.4推荐算法的概况
第5课时： 2.1协同过滤
第6课时： 第二章2.2.1~2.2.2CN相似度与Jacard相似度
第7课时： 第二章2.2.3cos相似度
第8课时： 第二章2.2.4Pearson相似度
第9课时： 第二章2.2.5Pearson相似度与Cos相似度之间的联系
第10课时： 第二章2.3.1UserCF
第11课时： 第二章2.3.2行为相似与内容相似的区别
第12课时： 第二章2.3.3ItemCF
第13课时： 第二章2.3.4实战：userCF
第14课时： 第二章2.3.5实战：itemCF
第15课时： 第二章2.3.6实战：标注为1~5的评分
第16课时： 第二章2.4.1~2.4.2推荐系统评估，准确率、精确率、召回率
第17课时： 第二章2.4.3推荐列表评测
第18课时： 第二章2.4.4对近邻协同过滤模型进行评测
第19课时： 2.5.1User-IIF 与 Item-IUF
第20课时： 2.5.2更高效地利用流行度定义近邻指标
第21课时： 第二章2.5.3自定义相似度指标的范式
第22课时： 第二章2.6.1SVD矩阵分解
第23课时： 2.6.2将SVD用作推荐
第24课时： 2.6.3LFM隐因子模型
第25课时： 第二章2.6.4ALS代码实现
第26课时： 第二章2.6.5推荐模型评估：MSE、RMSE、MAE
第27课时： 第二章2.6.6以深度学习端到端训练思维理解ALS
第28课时： 第二章2.6.7ALS代码实现PyTorch版
第29课时： 第二章2.7.0逻辑回归出发的推荐算法
第30课时： 第二章2.7.1逻辑回归出发的推荐算法
第31课时： 第二章2.7.2逻辑回归
第32课时： 第二章2.7.3POLY2
第33课时： 第二章2.7.4FM(上)
第34课时： 第二章2.7.4FM(下)
第35课时： 第二章2.7.5以深度学习端到端训练思维理解FM
第36课时： 2.8本章总结
第37课时： 第三章3.1.0神经网络推荐算法推导范式
第38课时： 第三章3.1.1ALS MLP(上)
第39课时： 第三章3.1.1ALS MLP(下)
第40课时： 第三章3.1.2特征向量 MLP
第41课时： 第三章3.1.3结合CNN的推荐
第42课时： 3.1.4结合RNN的推荐(上)
第43课时： 3.1.4结合RNN的推荐(下)
第44课时： 第三章3.1.5ALS结合RNN
第45课时： 第三章3.1.6联合训练的RNN
第46课时： 第三章3.1.7小节总结
第47课时： 第三章3.2.1FNN
第48课时： 第三章3.2.2改进过后的FNN
第49课时： 第三章3.2.3WideDeep
第50课时： 第三章3.2.4DeepFM
第51课时： 3.2.5AFM
第52课时： 第三章3.2.6小节总结
第53课时： 第三章3.3.1基本序列推荐模型
第54课时： 第三章3.3.2DIN与注意力计算方式(上)
第55课时： 3.3.2DIN与注意力计算方式(下)
第56课时： 第三章3.3.3从PReLU到Dice激活函数
第57课时： 3.3.4DIEN 模拟兴趣演化的序列网络(上)
第58课时： 第三章3.3.4DIEN 模拟兴趣演化的序列网络(下)
第59课时： 3.4.0Transformer在推荐算法中的应用
第60课时： 3.4.1从推荐角度初步了解Transformer
第61课时： 第三章3.4.2多头注意力与缩放点乘注意力算法
第62课时： 第三章3.4.3残差
第63课时： 第三章3.4.4Layer Normalization
第64课时： 3.4.5Feed Forward前馈神经网络层
第65课时： 第三章3.4.6位置编码
第66课时： 第三章3.4.7Transformer Encoder
第67课时： 第三章3.4.8利用Transformer编码器的推荐算法 BST
第68课时： 第三章3.4.9Transformer Decoder
第69课时： 第三章3.4.10结合Transformer解码器的推荐算法推导
第70课时： 第三章3.5本章总结
第71课时： 图神经网络与推荐算法
第72课时： 第四章4.1.1~4.0.9图论基础
第73课时： 第四章4.1.10处理图的Python库推荐
第74课时： 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 )
第75课时： 第四章4.2.2什么是路径
第76课时： 第四章4.2.3基于路径的基础链路预测
第77课时： 第四章4.2.4图游走算法 DeepWalk(上)
第78课时： 4.2.4图游走算法 DeepWalk(下)
第79课时： 第四章4.2.5图游走算法 Node2Vec
第80课时： 第四章4.3.1GCN 图卷积网络(上)
第81课时： 4.3.1GCN 图卷积网络(下)
第82课时： 4.3.2GAT 图注意力网络
第83课时： 第四章4.3.3消息传递
第84课时： 第四章4.3.4图采样介绍
第85课时： 第四章4.3.5图采样算法：GraphSAGE
第86课时： 第四章4.3.6图采样算法：PinSAGE
第87课时： 第四章4.4.0基于图神经网络的推荐
第88课时： 4.4.1利用GCN的推荐算法
第89课时： 第四章4.4.2利用GAT的推荐算法(上)
第90课时： 第四章4.4.2利用GAT的推荐算法(下)
第91课时： 第四章4.4.3图神经网络结合FM的推荐算法：GFM
第92课时： 第四章4.4.4GFM加入注意力机制的推荐算法：GAFM
第93课时： 第四章4.4.5小节总结
第94课时： 第五章 知识图谱与推荐算法
第95课时： 第五章5.1.1知识图谱定义
第96课时： 5.1.2RDF 到 HRT三元组
第97课时： 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
第98课时： 第五章5.1.4知识图谱推荐算法的概览
第99课时： 第五章5.1.5基于知识图谱推荐的优劣势
第100课时： 5.1.6Freebase数据集介绍
第101课时： 第五章5.2.0Knowledge Graph Embedding知识图谱嵌入
第102课时： 5.2.1翻译距离模型TransE
第103课时： 第五章5.2.2翻译距离模型TransH(上)
第104课时： 第五章5.2.2翻译距离模型TransH(下)
第105课时： 第五章5.2.3翻译距离模型TransR
第106课时： 第五章5.2.4其他翻译距离模型
第107课时： 第五章5.2.5语义匹配模型RESCAL
第108课时： 第五章5.2.6其他语义匹配模型
第109课时： 5.3.1利用知识图谱嵌入做推荐模型的基本思路
第110课时： 第五章5.3.2最简单的知识图谱推荐算法CKE
第111课时： 5.3.3CKE 扩展及演化
第112课时： 第五章5.3.4加强知识图谱信息的影响：MKR
第113课时： 第五章5.3.5MKR扩展
第114课时： 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
第115课时： 第五章5.4.1元路径
第116课时： 第五章5.4.2路径相似度 ( PathSim )
第117课时： 第五章5.4.3学习元路径的权重：PER(上)
第118课时： 5.4.3学习元路径的权重：PER(下)
第119课时： 第五章5.4.4异构图的图游走算法：MetaPath2Vec
第120课时： 第五章5.4.5MetaPath2Vec的扩展
第121课时： 第五章5.5.1RippleNet基础思想
第122课时： 5.5.2RippleNet计算过程
第123课时： 第五章5.5.3水波图采样
第124课时： 第五章5.5.4RippleNet实际操作时的注意事项与代码范例
第125课时： 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)
第126课时： 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)
第127课时： 第五章5.6.2KGCN的扩展 KGNN-LS
第128课时： 5.6.3图注意力网络在知识图谱推荐算法中的应用KGAT
第129课时： 第五章5.6.4GFM与知识图谱的结合KGFM
第130课时： 第五章5.7本章总结
第131课时： 推荐系统的构造
第132课时： 第六章6.1.1~6.1.4推荐系统结构概览
第133课时： 第六章6.2.0预测服务部分
第134课时： 第六章6.2.1逻辑召回
第135课时： 第六章6.2.2近邻召回
第136课时： 6.2.3Embedding召回
第137课时： 第六章6.2.4基于模型的召回：粗排序层
第138课时： 第六章6.2.5精排序层
第139课时： 第六章6.2.6小节总结
第140课时： 第六章6.3.1Min-Hash(上)
第141课时： 第六章6.3.1Min-Hash(下)
第142课时： 第六章6.3.2LSH
第143课时： 第六章6.3.3双塔模型 LSH召回实战
第144课时： 第六章6.4模型训练部分
第145课时： 第六章6.5.0数据处理部分
第146课时： 第六章6.5.1特征工程数据流
第147课时： 第六章6.5.2用户画像与产品画像
第148课时： 第六章6.5.3生成标注
第149课时： 6.5.4负例采样
第150课时： 6.5.5统计类数据流
第151课时： 6.5.6批处理与流处理
第152课时： 第六章6.5.7大数据处理工具简介：Spark
第153课时： 6.5.8大数据处理工具简介：Flink
第154课时： 6.5.9小节总结
第155课时： 第六章6.6.0冷启动
第156课时： 6.6.1用户冷启动
第157课时： 6.6.2物品冷启动
第158课时： 6.6.3物品冷启动到沉寂的生命周期
第159课时： 第六章6.6.4系统冷启动
第160课时： 推荐系统的评估
第161课时： 第七章7.1.1~7.1.3准确率，精确率，召回率
第162课时： 7.1.4F1 – Score
第163课时： 第七章7.1.5ROC曲线
第164课时： 7.1.6AUC
第165课时： 第七章7.1.7Log Loss
第166课时： 第七章7.1.8MSE、RMSE、MAE
第167课时： 第七章7.2.1TopK精确率与召回率
第168课时： 第七章7.2.2TopK测试与普通模型测试的区别
第169课时： 第七章7.2.3Mean Average Precision ( MAP )
第170课时： 第七章7.2.4Hit Ratio ( HR )
第171课时： 7.2.5Mean Reciprocal Rank ( MRR )
第172课时： 第七章7.2.6NDCG
第173课时： 第七章7.2.7小节总结
第174课时： 第七章7.3.1~7.3.2点击率CTR与转化率CVR
第175课时： 第七章7.3.3覆盖率 ( Coverage )
第176课时： 第七章7.3.4多样性 ( Diversity )
第177课时： 第七章7.3.5信息熵 ( Entropy )
第178课时： 7.3.6新颖度 ( Novelty )
第179课时： 第七章7.3.7惊喜度 ( Surprise )
第180课时： 7.3.8小节总结
第181课时： 7.4.0在线对比测试
第182课时： 第七章7.4.1~7.4.3AB测试与交叉测试
第183课时： 第八章 推荐工程的生命周期8.1了解数据与推荐目的
第184课时： 第八章8.2.4计算信息增益比筛选特征
第185课时： 第八章8.2.5计算皮尔逊相关系数筛选特征
第186课时： 第八章8.2.6通过L1正则过滤特征
第187课时： 8.2.7通过业务知识筛选特征
第188课时： 8.2~8.2.3初期的特征筛选
第189课时： 第八章8.3推荐系统结构设计
第190课时： 第八章8.4模型研发
第191课时： 第八章8.5搭建推荐系统
第192课时： 8.6优化推荐系统
第193课时： 4.2.4图游走算法 DeepWalk(上)
第194课时： 第四章4.5本章总结
第195课时： 结语
第196课时： 参1
第197课时： 参2
第198课时： 参3
第199课时： 参4
第200课时： 参5
第201课时： 参6
第202课时： 参7
第203课时： 参8
第204课时： 动手学推荐系统-源代码.zip
学
习
中
心
TOP
