mksz297- BAT大牛亲授个性化推荐算法实战（可用于毕设）

算法数学

课程简介

这份课程聚焦于个性化推荐系统的核心算法落地，旨在解决从理论模型到实际代码实现的断层问题。它不泛泛而谈概念，而是通过具体的数学推导与 Python 实战，演示如何构建并评估几种主流的召回与排序模型。适合具备中等 Python 编程基础、了解基本线性代数概念（如矩阵运算、向量相似度）的学习者。初学者若对“算法”二字感到迷茫，建议先复习基础的机器学习概念，再跟随…

已有 0 人浏览发布 2026-10-24 更新 2026-10-24

学习时，建议按“理论铺垫—经典召回—深度学习排序”的路径展开。首先看第 1 章和第 3 章，掌握个性化推荐的综述与 PersonalRank 算法。这部分重点在于理解用户-物品二分图的构建，以及 PageRank 变体在推荐场景下的物理意义。这里的代码实战展示了如何从基础版本迭代到矩阵加速版本，是理解图算法在推荐中应用的关键。接着进入第 5 章和第 4 章，学习基于内容的推荐与 Item2Vec。这两块分别解决了冷启动问题和物品嵌入表示问题，特别是 Word2Vec 在推荐领域的应用，能让你理解如何将非结构化数据转化为可计算的向量特征。最后攻克第 9 章和第 10 章，涉及 GBDT+LR 混合模型与 Wide & Deep 模型。这是现代工业界常用的排序架构，课程详细拆解了特征构建、模型训练及超参数调优的过程。

学完这门课，你将能够独立搭建一个包含召回和排序两层结构的简易推荐系统。具体而言，你可以完成从原始行为数据清洗、特征工程、召回算法实现、排序模型训练到最终评估的全流程。你不再只是调用现成的推荐 API，而是能针对特定业务场景（如电商或内容分发），选择合适的算法组合，并解释为什么选择该模型（例如用 Content-based 解决冷启动，用 Deep 模型捕捉非线性交叉特征）。资料包中的视频讲解与代码实战紧密配合，建议采用“看一章、敲一章”的方式。每看完一个算法的数学原理，立即运行对应的代码片段，手动修改输入数据观察输出变化，通过这种“动手微调”的方式，将黑盒模型转化为可理解的逻辑。不要试图一次性通读所有章节，因为不同算法间的依赖关系较强，循序渐进地调试代码比单纯看理论更有效。

课程目录

📁 第06章
6-1 个性化召回算法总结与评估方法的介绍。-【更多精选‖公众号：CunWorknotes】 .mp4 [67.8 MB]
📁 第10章
10-5 代码实战wd模型之模型对象的构建-.mp4 [63.3 MB]
10-2 dnn网络结构与反向传播算法-.mp4 [95.2 MB]
10-1 背景知识介绍之什么是深度学习-.mp4 [74.5 MB]
10-6 wd模型的训练与模型在测试数据集上的表现-.mp4 [99.2 MB]
10-3 wide and deep网络结构与数学原理介绍-.mp4 [64.3 MB]
10-4 .代码实战wd模型之wide侧与deep侧特征构建-.mp4 [103.0 MB]
📁 第01章
1-2 个性化召回算法综述-.mp4 [46.5 MB]
1-1 个性化推荐算法综述-.mp4 [73.5 MB]
📁 第05章
5-1 content based算法理论知识介绍-【整理不易‖记得关注：CunWorKNotes】.mp4 [59.5 MB]
5-2 content based算法代码实战之工具函数的书写-.mp4 [106.1 MB]
5-3 用户刻画与基于内容推荐的代码实战。-.mp4 [106.9 MB]
📁 第03章
3-6 代码实战personal rank算法的矩阵版本下 -1-.mp4 [14.1 MB]
3-3 代码构建用户物品二分图-.mp4 [62.3 MB]
3-4 代码实战personal rank算法的基础版本-.mp4 [127.7 MB]
3-2 personal rank 算法的数学公式推导-.mp4 [49.5 MB]
3-7 代码实战personal rank算法的矩阵版本下-2-.mp4 [64.2 MB]
3-5 代码实战personal rank算法矩阵版本上-.mp4 [102.5 MB]
3-1 personal rank算法的背景与物理意义-.mp4 [71.3 MB]
📁 第09章
9-4 gbdt与lr混合模型网络介绍-.mp4 [41.3 MB]
9-7 代码训练gbdt与lr混合模型-【资源精选‖更多关注：CunworkNotes】.mp4 [106.9 MB]
9-8 模型在测试数据集表现 上-【更多精选‖公众号：CunWorknotes】 .mp4 [130.4 MB]
9-6 gbdt模型最优参数选择-.mp4 [57.6 MB]
9-5 代码训练gbdt模型-.mp4 [88.1 MB]
9-3 xgboost数学原理介绍-.mp4 [62.5 MB]
9-2 梯度提升树的数学原理与构建流程-.mp4 [83.8 MB]
9-9 模型在测试数据集表现 下-.mp4 [45.2 MB]
9-1 背景知识介绍之决策树-.mp4 [83.5 MB]
📁 第04章
4-1 item2vec算法的背景与物理意义-.mp4 [81.2 MB]
4-3 item2vec依赖模型word2vec之skip gram数学原理介绍-【公重号：CunWorkNotes】.mp4 [51.2 MB]
4-5 word2vec运行参数介绍与item embedding-.mp4 [89.4 MB]
4-4 代码生成item2vec模型所需训练数据-.mp4 [60.2 MB]
4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理-1.mp4 [94.7 MB]
4-2 item2vec依赖模型word2vec之cbow数学原理介绍-.mp4 [88.1 MB]
4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理-2.mp4 [2.3 MB]
📁 第08章
8-5 代码实战lr之离散特征处理-.mp4 [111.2 MB]
8-4 代码实战lr之样本选择-【持续更新‖免费提供：CunworknoteS】.mp4 [65.8 MB]
8-9 lr模型在测试数据集上表现-下-.mp4 [115.3 MB]
8-8 lr模型在测试数据集上表现-上-.mp4 [109.5 MB]
8-6 代码实战lr之连续特征处理-.mp4 [84.9 MB]
8-1 逻辑回归模型的背景知识介绍-.mp4 [78.5 MB]
8-3 样本选择与特征选择相关知识-.mp4 [58.3 MB]
8-10 lr模型训练之组合特征介绍-.mp4 [93.0 MB]
8-2 逻辑回归模型的数学原理-.mp4 [72.5 MB]
📁 第11章
11-1 学习排序部分总结与回顾-.mp4 [64.8 MB]
📁 第07章
7-1 学习排序综述-.mp4 [75.5 MB]
📁 资料
📁 个性化推荐算法实战
chapter5.pdf [366.2 KB]
Chapter10.pdf [763.5 KB]
chapter4【持续更新‖免费提供：CunworknoteS】.pdf [619.3 KB]
chapter3【不易整理‖请关注：CunWorkNoteS】.pdf [510.0 KB]
Chapter12【整理不易‖记得关注：CunWorKNotes】.pdf [407.9 KB]
Chapter11【公重号：CunWorkNotes】.pdf [376.9 KB]
Chapter1.pdf [471.4 KB]
Chapter8.pdf [648.2 KB]
chapter2.pdf [77.0 KB]
Chapter7.pdf [440.3 KB]
chapter3(1) .pdf [399.3 KB]
Chapter6.pdf [402.1 KB]
Chapter9.pdf [914.0 KB]
📁 personal_recommendation
📁 Item2Vec
📁 data
item_vec【更多精选‖公众号：CunWorknotes】 .txt [13.6 MB]
item_vec_bk.txt [2.7 MB]
movies.txt [1.3 MB]
📁 bin
word2vec [40.4 KB]
README.md [44.0 B]
ReadMe [188.0 B]
📁 ContentBased
📁 production
content_based.py [3.0 KB]
📁 util
__init__.py
read.py [2.9 KB]
README.md [44.0 B]
index【更多精选‖公众号：CunWorknotes】 .html [359.0 B]
📁 第12章
12-1 个性化推荐算法实战课程总结与回顾-.mp4 [39.3 MB]
📁 第02章
2-3 基础工具函数的代码书写-.mp4 [82.6 MB]
2-4 lfm算法训练数据抽取-.mp4 [85.8 MB]
2-6 基于lfm的用户个性化推荐与推荐结果分析-.mp4 [78.1 MB]
2-2 lfm算法的理论基础与公式推导-.mp4 [78.0 MB]
2-1 lfm绠楁硶缁艰堪-.mp4 [54.4 MB]

mksz297- BAT大牛亲授 个性化推荐算法实战（可用于毕设）

课程目录

mksz297- BAT大牛亲授个性化推荐算法实战（可用于毕设）