cf比較的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

推薦系統與深度學習

為了解決cf比較的問題，作者黃昕趙偉王本友 這樣論述：

本書的幾位作者都在大型互聯網公司從事與推薦系統相關的實踐與研究，通過這本書，把推薦系統工作經驗予以總結，以幫助想從事推薦系統的工作者或推薦系統愛好者。本書的內容設置由淺入深，從傳統的推薦演算法過渡到近年興起的深度學習技術。不管是初學者，還是有一定經驗的從業人員，相信都能從本書的不同章節中有所收穫。 區別于其他推薦演算法書籍，本書引入了已被實踐證明效果較好的深度學習推薦技術，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技術應用，並給出了相關的實踐代碼；除了在演算法層面講解推薦系統的實現，還從工程層面詳細闡述推薦系統如何搭建。 黃昕 現任騰訊音樂集團高

級工程師，先後負責QQ音樂、全民K歌等App推薦算法開發及系統架構設計工作。   趙偉 德國達姆施塔特工業大學在讀博士生，研究方向包括自然語言處理和信息檢索。曾任騰訊知文實驗室研究員。   呂慧偉 現任騰訊科技有限公司高級工程師。中國科學院計算技術研究所計算機體系結構博士，MPICH核心開發者。   王本友 意大利帕多瓦大學博士生，歐盟瑪麗•居里研究員。曾作為主要成員，從零開始搭建了騰訊雲智能客服系統。   楊敏 現任中國科學院深圳先進技術研究院助理研究員，從事文本挖掘、自然語言處理、人工智能相關領域的研究與開發工作。曾任騰訊高級研究員。

第1章 什麼是推薦系統1 1.1 推薦系統的概念.1 1.1.1 推薦系統的基本概念1 1.1.2 深度學習與推薦系統4   第2章 深度神經網絡.7 2.1 什麼是深度學習.7 2.1.1 深度學習的三次興起7 2.1.2 深度學習的優勢9 2.2 神經網絡基礎11 2.2.1 神經元11 2.2.2 神經網絡.12 2.2.3 反向傳播.13 2.2.4 優化算法.14 2.3 卷積網絡基礎17 2.3.1 卷積層17 2.3.2 池化層19 2.3.3 常見的網絡結構19 2.4 循環網絡基礎21 2.4.1 時

序反向傳播算法22 2.4.2 長短時記憶網絡24 2.5 生成對抗基礎25 2.5.1 對抗博弈.26 2.5.2 理論推導.27 2.5.3 常見的生成對抗網絡29 2.5.4 推薦系統與深度學習   第3章 TensorFlow 平台31 3.1 什麼是TensorFlow 31 3.2 TensorFlow 安裝指南.33 3.2.1 Windows 環境安裝.33 3.2.2 Linux 環境安裝.34 3.3 TensorFlow 基礎.36 3.3.1 數據流圖.36 3.3.2 會話37 3.3.3 圖可視化.37

3.3.4 變量37 3.3.5 佔位符38 3.3.6 優化器38 3.3.7 一個簡單的例子38 3.4 其他深度學習平台39   第4章 推薦系統的基礎算法42 4.1 基於內容的推薦算法.42 4.1.1 基於內容的推薦算法基本流程42 4.1.2 基於內容推薦的特徵提取.45 4.2 基於協同的推薦算法.47 4.2.1 基於物品的協同算法49 4.2.2 基於用戶的協同算法57 4.2.3 基於用戶協同和基於物品協同的區別59 4.2.4 基於矩陣分解的推薦方法.61 4.2.5 基於稀疏自編碼的推薦方法.71

4.3 基於社交網絡的推薦算法80 4.3.1 基於用戶的推薦在社交網絡中的應用81 4.3.2 node2vec 技術在社交網絡推薦中的應用85 4.4 推薦系統的冷啟動問題94 4.4.1 如何解決推薦系統冷啟動問題94 4.4.2 深度學習技術在物品冷啟動上的應用101   第5章 混合推薦系統119 5.1 什麼是混合推薦系統.119 5.1.1 混合推薦系統的意義120 5.1.2 混合推薦系統的算法分類.122 5.2 推薦系統特徵處理方法125 5.2.1 特徵處理方法126 5.2.2 特徵選擇方法134 5.3 常見的預

測模型141 5.3.1 基於邏輯回歸的模型141 5.3.2 基於支持向量機的模型.144 5.3.3 基於梯度提升樹的模型.148 5.4 排序學習150 5.4.1 基於排序的指標來優化.150 5.4.2 L2R 算法的三種情形.152   第6章 基於深度學習的推薦模型156 6.1 基於DNN 的推薦算法156 6.2 基於DeepFM 的推薦算法163 6.3 基於矩陣分解和圖像特徵的推薦算法171 6.4 基於循環網絡的推薦算法.174 6.5 基於生成對抗網絡的推薦算法.176 6.5.1 IRGAN 的代碼實現.179

  第7章 推薦系統架構設計.183 7.1 推薦系統基本模型183 7.2 推薦系統常見架構185 7.2.1 基於離線訓練的推薦系統架構設計185 7.2.2 面向深度學習的推薦系統架構設計191 7.2.3 基於在線訓練的推薦系統架構設計194 7.2.4 面向內容的推薦系統架構設計197 7.3 推薦系統常用組件199 7.3.1 數據上報常用組件199 推薦系​​統與深度學習 7.3.2 離線存儲常用組件200 7.3.3 離線計算常用組件200 7.3.4 在線存儲常用組件201 7.3.5 模型服務常用組件201

7.3.6 實時計算常用組件201 7.4 推薦系統常見問題201 7.4.1 實時性.201 7.4.2 多樣性.202 7.4.3 曝光打擊和不良內容過濾.202 7.4.4 評估測試.202 後記.203   圖1.1 淘寶猜你喜歡欄目2 圖1.2 百度指數.4 圖1.3 歌曲詞嵌入模型空間向量.6 圖2.1 神經網絡的三次興起8 圖2.2 不同層數的神經網絡擬合分界面的能力.10 圖2.3 不同層數的神經網絡表示能力10 圖2.4 神經網絡的基本結構11 圖2.5 感知器算法12 圖2.6 三層全連接神經網絡13 圖2

.7 動量對比.16 圖2.8 卷積運算.18 圖2.9 池化層19 圖2.10 LeNet 卷積結構.20 圖2.11 Alex-Net 卷積結構20 圖2.12 RNN 21 圖2.13 LSTM 在t 時刻的內部結構24 圖2.14 GAN 網絡25 圖3.1 TensorFlow 安裝截圖34 圖3.2 TensorBoard 計算37 圖4.1 騰訊視頻APP 推薦頁面.44 圖4.2 截取自噹噹網.49 圖4.3 截取自QQ 音樂APP.49 圖4.4 用戶購買物品記錄50 圖4.5 同時被購買次數矩陣C 51 圖4.6

相似度計算結果1 52 圖4.7 相似度計算結果2 54 viii j 推薦系統與深度學習 圖4.8 相似度計算結果3 55 圖4.9 截取自噹噹網.57 圖4.10 物品的倒排索引57 圖4.11 用戶評分矩陣.63 圖4.12 Sigma 值64 圖4.13 NewData 值65 圖4.14 Mydata 值65 圖4.15 自編碼神經網絡模型72 圖4.16 稀疏自編碼第一個網絡.73 圖4.17 稀疏自編碼第二個網絡.74 圖4.18 稀疏自編碼第三個網絡.75 圖4.19 將三個網絡組合起來75 圖4.20 社交網絡關係圖

示例81 圖4.21 融入用戶關係和物品關係82 圖4.22 社交網絡關係圖示例86 圖4.23 社交網絡關係圖示例86 圖4.24 CBOW 和Skip-Gram 示例.88 圖4.25 Skip-Gram 網絡結構89 圖4.26 CBOW 網絡結構91 圖4.27 word analogy 示例93 圖4.28 某網站登錄頁面95 圖4.29 QQ 互聯開放註冊平台1 96 圖4.30 QQ 互聯開放註冊平台2 97 圖4.31 QQ 互聯應用管理頁面1 97 圖4.32 QQ 互聯應用管理頁面2 97 圖4.33 QQ 互聯QQ 登錄

功能獲取97 圖4.34 QQ 音樂APP 中的偏好選擇98 圖4.35 (a) 為每部電影被打分的分佈，(b) 為每個用戶打分的分佈100 圖4.36 (a) 為每部電影平均分分佈，(b) 為每個用戶平均分分佈.100 圖4.37 基於專家數據的CF 與基於用戶數據CF 比較.101 圖目錄j ix 圖4.38 音樂頻譜示例102 圖4.39 4 個流派的頻譜圖示例103 圖4.40 CNN 音頻分類結構.103 圖4.41 CNN LSTM 組合音頻分類模型.104 圖4.42 分類預測結果的混淆矩陣104 圖4.43 模型倒數第二層128 維向

量降維可視化104 圖4.44 微軟how-old.net 107 圖4.45 SCUT-FBP 數據集示例圖108 圖4.46 臉部截取後的數據集示例圖.108 圖4.47 CNN 層數過多，誤差反而較大113 圖4.48 殘差網絡的基本結構113 圖4.49 殘差網絡完整結構.114 圖5.1 NetFlix 的實時推薦系統的架構圖120 圖5.2 整體式混合推薦系統125 圖5.3 並行式混合推薦系統125 圖5.4 流水線式混合推薦系統.125 圖5.5 MDLP 特徵離散化130 圖5.6 ChiMerge 特徵離散化.131 圖5

.7 層次化時間按序列特徵.133 圖5.8 Learn to rank 的局限153 圖6.1 Wide & Deep 模型結構157 圖6.2 推薦系統的召回和排序兩個階段158 圖6.3 召回模型結構.159 圖6.4 序列信息160 圖6.5 排序模型結構.161 圖6.6 不同NN 的效果162 圖6.7 DeepFM 模型結構(網絡左邊為FM 層，右邊為DNN 層).164 圖6.8 FM 一階部分165 圖6.9 FM 二階部分166 圖6.10 FM/DNN/DeepFM 的比較171 x j 推薦系統與深度學習 圖6.11

電影靜止幀圖片舉例172 圖6.12 Alex-Net 卷積網絡.173 圖6.13 左圖：時間無關的推薦系統。右圖：時間相關的推薦系統174 圖6.14 基於循環神經網絡的推薦系統175 圖6.15 判別器177 圖6.16 生成器178 圖6.17 IRGAN 說明179 圖7.1 監督學習基本模型.184 圖7.2 基於離線訓練的推薦系統架構設計186 圖7.3 數據上報模塊.187 圖7.4 離線訓練模塊.187 圖7.5 推薦系統中的存儲分層.188 圖7.6 在線預測的幾個階段189 圖7.7 推薦系統通用性設計190 圖7.

8 面向深度學習的推薦系統架構設計191 圖7.9 利用深度學習進行特徵提取192 圖7.10 參數服務器架構193 圖7.11 基於在線訓練的推薦系統架構設計195 圖7.12 在線學習之實時特徵處理196 圖7.13 面向內容的推薦系統架構設計198 圖7.14 用於推薦的內容池.198 圖7.15 Apache Kafka 邏輯架構.200 表4.1 用戶A 和B 的評分矩陣.43 表4.2 電影內容特徵二進製表示45 表4.3 人臉魅力值打分不同模型的MAE 比較112 表4.4 人臉魅力值打分不同模型的MAE 比較117 表4.5 Ke

ras 預訓練好的圖像分類模型118

cf比較進入發燒排行的影片

有機黏土表面結構與Pickering 乳液之研究

為了解決cf比較的問題，作者鄭宇桓 這樣論述：

本研究主要以蒙脫土吸附水溶性界面劑十六烷基三甲基氯化銨(cetyl trimethyl ammonium bromide, CTAB)作為Pickering乳液穩定劑。以蒙脫土雙面吸附CTAB後，與水及甲苯配置Pickering乳液。在固定水相及油相體積比下，探討改變CTAB吸附量(CEC)與蒙脫土比例及界面相蒙脫土濃度對乳液粒徑及界面相蒙脫土堆疊層數之影響。將蒙脫土於純水中吸附CTAB，可得雙面吸附CTAB之有機蒙脫土。由TGA分析可知殘餘量由94.3%下降至67.8%，得到CTAB實際吸附量為0.54至0.95倍CEC；由靜態接觸角分析，當CEC由0.54增加至0.95，表面能由45.7

9降低至28.30 mN/m，表示CTAB吸附量增加使親油性上升，能有效降低表面能。配置有機蒙脫土/甲苯懸浮液，發現CTAB吸附量越高其於甲苯中之分散性越好。以紫外光-可見光吸收度光譜分析Pyrene於有機蒙脫土/甲苯懸浮液及Pickering乳液系統濃度分布，上層液Pyrene濃度皆佔總濃度約78%，表示濃度受溶劑性質影響；以螢光光譜分析環境結構，當有機蒙脫土因堆疊產生類似吸附微胞(admicelle)之結構其I3/I1約為0.945，且可視為與甲苯/己烷作為溶劑之環境相似，以有機蒙脫土/甲苯懸浮液與等體積之水配置Pickering乳液，當CEC大於0.73時可形成穩定乳液，乳液型態皆為W/

O。蒙脫土濃度C0為0.01-0.10 w/v %，當0.95倍CEC時，乳液粒徑由310.0降低至38.9 μm；當0.80倍CEC時，乳液粒徑由411.8降低至85.0 μm；當0.73倍CEC時，乳液粒徑由538.0降低至145.3 μm，當CEC低於0.66時，因有機蒙脫土表面親油性降低，而無法形成穩定乳液。因蒙脫土會於油水界面及連續相(甲苯)達成一濃度平衡，故以界面相蒙脫土濃度C0-Cf計算蒙脫土於界面相的堆疊層數。蒙脫土雙面吸附CTAB之Pickering乳液界面層數計算，固定W/T比為20/20 ml時，蒙脫土濃度C0為0.01增加至0.10 w/v %，0.95倍CEC之Pic

kering 乳液，其界面相蒙脫土堆疊層數由1.27增加至1.84層；0.80倍CEC之Pickering 乳液，其界面相蒙脫土堆疊層數由1.42至3.99層；0.73倍CEC之Pickering 乳液，其界面相蒙脫土堆疊層數由1.48至6.71層。表示在相同CEC下，隨著界面相蒙脫土濃度C0-Cf增加，蒙脫土層數增加，蒙脫土之間有較強的吸引力，可以穩定更小的乳液；相同蒙脫土濃度下，隨著CEC降低，蒙脫土表面親油性降低無法穩定存在於界面相，造成乳液粒徑增加，且需要增加層數以維持乳液穩定。