幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習演算法實踐(推薦系統的協同過濾理論及其應用)

  • 作者：王建芳
  • 出版社：清華大學
  • ISBN：9787302507833
  • 出版日期：2018/11/01
  • 裝幀：平裝
  • 頁數：194
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
     個性化推薦能夠根據用戶的歷史行為顯式或者隱式地挖掘用戶潛在的興趣和需求，併為其推送個性化信息，因此受到研究者的追捧及工業界的青睞，其研究具有重大的學術價值及商業應用價值，已廣泛應用於大型電子商務平台、社交平台、新聞客戶端以及其他各類旅遊和娛樂類網站中。
    王建芳著的《機器學習演算法實踐(推薦系統的協同過濾理論及其應用)》內容豐富，較全面地介紹了基於協同過濾的推薦系統存在的問題、解決方法和評估策略，主要內容涉及協同過濾推薦演算法中的時序技術、矩陣分解技術和社交網路信任技術等知識。
    本書可供從事推薦系統、人工智慧、機器學習、模式識別和信息檢索等領域的科研人員及研究生閱讀、參考。
作者介紹
王建芳
    王建芳，博士，副教授，碩士研究生導師，現任河南理工大學ACM／ICPC總教練；主要從事人工智慧、數據挖掘和智能計算演算法等方向的研究工作，具有豐富的系統研究開發經驗和紮實的理論基礎知識。長期指導學生參加各種程序演算法設計類競賽，並多次獲得省級及以上獎勵；曾多次獲得相關賽事的「優秀指導教師」稱號。
目錄
第一篇  基 礎 理 論
第1章  理論入門
  1.1  引言
  1.2  推薦系統的形式化定義
  1.3  基於近鄰的協同過濾推薦演算法
    1.3.1  餘弦相似度
    1.3.2  修正餘弦相似度
    1.3.3  Pearson相似度
    1.3.4  Jaccard相似度
  1.4  基於用戶興趣的推薦演算法
  1.5  基於模型的協同過濾推薦演算法
    1.5.1  矩陣分解模型
    1.5.2  交替最小二乘
    1.5.3  概率矩陣分解
    1.5.4  非負矩陣分解
  1.6  基於信任的協同過濾推薦演算法
  1.7  推薦系統現存問題
    1.7.1  冷啟動
    1.7.2  數據稀疏性
    1.7.3  可擴展性
    1.7.4  用戶興趣漂移
  1.8  評測指標
  本章小結
  參考文獻
第二篇  基於時序的協同過濾推薦演算法
第2章  基於巴式係數改進相似度的協同過濾推薦演算法
  2.1  引言
  2.2  相關工作
    2.2.1  餘弦相似度
    2.2.2  調整餘弦相似度
    2.2.3  Pearson相關係數
    2.2.4  Jaccard相似度
  2.3  一種巴氏係數改進相似度的協同過濾推薦演算法
    2.3.1  巴氏係數
    2.3.2  巴氏係數相似度
    2.3.3  BCCF演算法描述
  2.4  實驗與分析
    2.4.1  數據集
    2.4.2  評價標準
    2.4.3  實驗結果與分析
  本章小結
  參考文獻
第3章  基於用戶興趣和項目屬性的協同過濾推薦演算法
  3.1  引言
  3.2  相關工作
  3.3  基於用戶興趣和項目屬性的協同過濾推薦演算法
    3.3.1  基於時間的用戶興趣度權重
    3.3.2  改進相似度計算
    3.3.3  加權預測評分
    3.3.4  演算法步驟

  3.4  實驗結果與分析
    3.4.1  數據集
    3.4.2  評價標準
    3.4.3  結果分析
  本章小結
  參考文獻
第三篇  基於矩陣分解的協同過濾推薦演算法
第4章  SVD和信任因子相結合的協同過濾推薦演算法
  4.1  引言
  4.2  標注和相關工作
    4.2.1  標注
    4.2.2  奇異值分解
    4.2.3  計算相似度
  4.3  SVD和信任因子相結合的協同過濾推薦演算法
    4.3.1  項目特徵空間
    4.3.2  兩階段k近鄰選擇
    4.3.3  信任因子
    4.3.4  預測評分
    4.3.5  演算法
  4.4  實驗結果與分析
    4.4.1  數據集和實驗環境
    4.4.2  評價標準
    4.4.3  實驗結果分析
  本章小結
  參考文獻
第5章  相似度填充的概率矩陣分解的協同過濾推薦演算法
  5.1  引言
  5.2  相關工作
    5.2.1  協同過濾推薦演算法
    5.2.2  概率矩陣分解技術
  5.3  CF?PFCF演算法
    5.3.1  演算法設計思想
    5.3.2  CF?PFCF演算法的描述
  5.4  實驗分析
    5.4.1  數據集與誤差標準
    5.4.2  實驗結果與性能比較
  本章小結
  參考文獻
第6章  基於偏置信息的改進概率矩陣分解演算法研究
  6.1  引言
  6.2  相關工作
    6.2.1  矩陣分解模型
    6.2.2  Baseline預測
  6.3  演算法流程
  6.4  實驗分析
    6.4.1  實驗所用數據集
    6.4.2  實驗環境配置
    6.4.3  實驗評價標準
    6.4.4  實驗結果及分析
  本章小結

  參考文獻
第7章  基於項目屬性改進概率矩陣分解演算法
  7.1  引言
  7.2  IAR?BP演算法
    7.2.1  相似度度量
    7.2.2  演算法描述
    7.2.3  演算法複雜度分析
  7.3  實驗結果對比分析
    7.3.1  實驗數據集
    7.3.2  實驗評價標準
    7.3.3  對比實驗配置及說明
    7.3.4  實驗參數分析
    7.3.5  實驗對比
  本章小結
  參考文獻
第8章  基於交替最小二乘的改進概率矩陣分解演算法
  8.1  引言
  8.2  交替最小二乘
  8.3  Baseline預測
  8.4  IPMF演算法
    8.4.1  演算法改進思想
    8.4.2  演算法流程
    8.4.3  複雜度分析
  8.5  實驗結果分析
    8.5.1  對比實驗設定
    8.5.2  實驗分析
  本章小結
  參考文獻
第9章  基於社交網路的改進概率矩陣分解演算法研究
  9.1  引言
  9.2  相關工作
    9.2.1  推薦系統的形式化
    9.2.2  矩陣分解與推薦系統
  9.3  概率矩陣分解
  9.4  主要研究內容
    9.4.1  基於社交網路的改進概率矩陣分解
    9.4.2  演算法流程
    9.4.3  演算法複雜度分析
  9.5  實驗分析
    9.5.1  實驗數據集
    9.5.2  實驗評價標準
    9.5.3  對比演算法
    9.5.4  潛在因子維度的影響
    9.5.5  偏置的影響
    9.5.6  信任因子的影響
    9.5.7  對比實驗分析
  本章小結
  參考文獻
第10章  帶偏置的非負矩陣分解推薦演算法
  10.1  引言

  10.2  相關工作
    10.2.1  矩陣分解
    10.2.2  奇異值矩陣
    10.2.3  Baseline預測
    10.2.4  NMF演算法
  10.3  RBNMF演算法
    10.3.1  理論分析
    10.3.2  RBNMF演算法流程
  10.4  實驗分析
    10.4.1  數據集
    10.4.2  評價標準
    10.4.3  實驗結果及分析
  本章小結
  參考文獻
第11章  基於項目熱度的協同過濾推薦演算法
  11.1  引言
  11.2  非負矩陣分解
  11.3  兩階段近鄰選擇
    11.3.1  兩階段k近鄰選擇
    11.3.2  項目「熱度」和局部信任
    11.3.3  預測評分
  11.4  演算法描述
  11.5  實驗結果分析
    11.5.1  不同策略下相似度的分佈
    11.5.2  兩種因素的分佈與分析
    11.5.3  實驗結果及分析
  本章小結
  參考文獻
第四篇  基於信任的協同過濾推薦演算法
第12章  帶偏置的專家信任推薦演算法
  12.1  引言
  12.2  相關工作
    12.2.1  專家演算法
    12.2.2  生成推薦值
    12.2.3  Baseline預測
  12.3  改進專家演算法
    12.3.1  改進專家信任
    12.3.2  評分形成
    12.3.3  演算法描述
  12.4  實驗結果與分析
    12.4.1  數據集
    12.4.2  評估標準
    12.4.3  實驗結果及分析
  本章小結
  參考文獻
第13章  一種改進專家信任的協同過濾推薦演算法
  13.1  引言
  13.2  標注與相關工作
    13.2.1  標注
    13.2.2  近鄰模型

    13.2.3  專家演算法
  13.3  改進專家演算法
    13.3.1  重要概念
    13.3.2  評分形成
    13.3.3  演算法描述
  13.4  實驗結果與分析
    13.4.1  數據集
    13.4.2  評估標準
    13.4.3  實驗結果與分析
  本章小結
  參考文獻
第五篇  原型系統開發
第14章  電影推薦原型系統
  14.1  引言
  14.2  主要功能
  14.3  關鍵技術
    14.3.1  概率矩陣分解模型
    14.3.2  社交網路正則化
  14.4  集群搭建
    14.4.1  集群軟硬體環境
    14.4.2  Spark集群
    14.4.3  HBase集群
  14.5  系統特點
  14.6  用戶使用說明
    14.6.1  系統簡介界面
    14.6.2  建模一和建模二界面
    14.6.3  集群界面
    14.6.4  看過的電影界面
    14.6.5  推薦電影界面
    14.6.6  統計分析界面
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032