《Python推荐系统实战：基于深度学习、NLP和图算法的应用型推荐系统》从基本方法、流行方法、先进方法及新技术四个层面来介绍如何自己动手构建推荐系统。通过本书的学习，读者可以掌握推荐系统的基本概念，了解不同类型的推荐引擎及其功能，学会使用传统算法来构建推荐系统和混合推荐系统，使用聚类和分类算法来构建基于机器学习的推荐系统。《Python推荐系统实战：基于深度学习、NLP和图算法的应用型推荐系统》可引导读者运用自然语言处理、深度学习和知识图谱来实现推荐系统，从而实现业务的增长。
特色主题：
使用Python来理解和实现不同的推荐系统
掌握协同过滤、超市购物车分析和矩阵分解等
构建基于内容和协同过滤的混合推荐系统
运用机器学习、NLP和深度学习来构建推荐系统
本书分为4部分，包含11章。首先介绍推荐系统的基本方法，接着探讨当前流行的一些方法，具体包括协同过滤推荐系统、内容推荐系统以及混合推荐系统。接下来讨论如何运用当前的机器学习算法来实现推荐系统。最后讨论推荐系统的相关趋势和新兴技术。
本书特别适合零基础的数据科学工作者参考和使用。它可以帮助读者从基础知识起步，逐步学习运用Python、深度学习和自然语言处理技术来构建推荐系统，以促进业务增长和提高客户忠诚度。
第Ⅰ部分 基本方法
第1章 推荐系统简介
什么是推荐引擎 003
推荐引擎的类型 004
基于规则的推荐系统 011
流行度 011
全球流行的商品 013
按国家计算热销商品 014
再次购买 015
小结 016
第2章 超市购物车分析（关联规则挖掘）
实现 017
数据收集 018
清洗数据 019
从数据集获取的洞察 020
基于DateTime的模式 022
免费商品和销售 026
热销商品 034
经常一起购买的商品 037
Apriori算法概念 038
关联规则 040
新建函数 041
关联规则的可视化 043
小结 049
第Ⅱ部分 流行方法
第3章 内容过滤
数据收集和下载词嵌入 054
将数据导入为DataFrame 054
预处理数据 055
文本转为特征 057
OHE 057
词频向量器CountVectorizer 057
TF-IDF 058
词嵌入 058
相似性度量 059
欧几里得距离 059
余弦相似度 060
曼哈顿距离 061
使用CountVectorizer构建模型 062
使用TF-IDF特征构建模型 064
使用Word2vec特征构建模型 065
使用fastText特征构建模型 067
使用GloVe特征构建模型 068
使用共现矩阵构建模型 071
小结 072
第4章 协同过滤
实现 074
数据收集 074
关于数据集 075
基于内存的方法 076
基于客户对客户的协同过滤 078
实现 078
项目对项目的协同过滤 081
实现 082
基于KNN的方法 085
机器学习 085
监督式学习 086
小结 090
第5章 使用矩阵分解、奇异值分解和共聚类的协同过滤
实现矩阵分解、共聚类和SVD 092
实现NMF 096
实现共聚类 098
实现SVD 099
获取推荐 100
小结 104
第6章 混合推荐系统
实现 106
数据收集 106
数据准备 108
模型构建 112
合并训练集和测试集后的最终模型 117
获取推荐 117
小结 119
第Ⅲ部分 先进的机器学习算法
第7章 基于聚类的推荐系统
数据收集和下载所需的词嵌入 125
预处理数据 126
探索性数据分析 127
标签编码 129
模型构建 130
k均值聚类 130
肘部方法 131
层次聚类 131
小结 142
第8章 基于分类算法的推荐系统
方法 143
数据收集以及下载词嵌入 144
以DataFrame（pandas）形式导入数据 144
数据预处理 146
特征工程 152
探索性数据分析 153
模型构建 156
拆分训练集和测试集 157
逻辑回归 157
实现 159
决策树 161
实现 162
随机森林 163
实现 163
KNN 164
实现 164
小结 166
第Ⅳ部分 相关趋势和新技术
第9章 基于深度学习的推荐系统
深度学习（人工神经网络）基础 169
神经协同过滤（NCF） 170
实现 172
数据收集 172
以DataFrame（pandas）形式导入数据 173
数据预处理 174
拆分训练集和测试集 175
建模和推荐 175
小结 180
第10章 基于图的推荐系统
实现 182
小结 191
第11章 新兴领域和新技术
实时推荐 193
对话式推荐 194
上下文感知推荐系统 194
多任务推荐系统 195
联合表征学习 196
小结 198
温馨提示：请使用浙江图书馆的读者帐号和密码进行登录
