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

統計推薦系統/電腦科學叢書

  • 作者：(美)迪帕克·K.阿加瓦爾//陳必衷|譯者:戴薇//潘微科//明仲
  • 出版社：機械工業
  • ISBN：9787111635734
  • 出版日期：2019/09/01
  • 裝幀：平裝
  • 頁數：220
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書由LinkedIn公司的技術專家撰寫，著眼于推薦系統的核心—統計方法，不僅講解理論知識，而且分享了作者在LinkedIn和Yahoo！的實踐經驗。全書分為三部分：第一部分介紹推薦系統的組成、經典推薦方法及評估方法，並引出了探索與利用問題；第二部分圍繞點擊通過率（CTR）預估這一重要問題，重點介紹快速在線雙線性因子模型和面向回歸的隱因子模型，為熱門推薦和個性化推薦提供解決方案；第三部分討論進階主題，涵蓋分解的隱含狄利克雷分佈模型、張量分解模型、層次收縮模型以及多目標優化方法。
作者介紹
(美)迪帕克·K.阿加瓦爾//陳必衷|譯者:戴薇//潘微科//明仲
目錄
出版者的話
譯者序
前言
第一部分  基礎知識
  第1章  簡介
    1.1  面向網路應用的推薦系統概述
      1.1.1  演算法
      1.1.2  優化指標
      1.1.3  探索與利用之間的權衡
      1.1.4  推薦系統的評估
      1.1.5  推薦和搜索：推送與拉取
    1.2  一個簡單的評分模型：熱門推薦
    1.3  練習
  第2章  經典推薦方法
    2.1  物品特徵
      2.1.1  分類
      2.1.2  詞袋模型
      2.1.3  主題建模
      2.1.4  其他物品特徵
    2.2  用戶特徵
      2.2.1  聲明的個人信息
      2.2.2  基於內容的畫像
      2.2.3  其他用戶特徵
    2.3  基於特徵的方法
      2.3.1  無監督方法
      2.3.2  有監督方法
      2.3.3  上下文信息
    2.4  協同過濾
      2.4.1  基於用戶-用戶相似度的方法
      2.4.2  基於物品-物品相似度的方法
      2.4.3  矩陣分解
    2.5  混合方法
    2.6  小結
    2.7  練習
  第3章  面向推薦問題的探索與利用
    3.1  探索與利用之間的權衡簡介
    3.2  多臂賭博機問題
      3.2.1  貝葉斯方法
      3.2.2  極小化極大方法
      3.2.3  啟髮式賭博方案
      3.2.4  方法評價
    3.3  推薦系統中的探索與利用
      3.3.1  熱門推薦
      3.3.2  個性化推薦
      3.3.3  數據稀疏性的挑戰
    3.4  處理數據稀疏性的探索與利用
      3.4.1  降維方法
      3.4.2  降維中的探索與利用
      3.4.3  在線模型
    3.5  小結

    3.6  練習
  第4章  評估方法
    4.1  傳統的離線評估方法
      4.1.1  數據劃分方法
      4.1.2  準確度指標
      4.1.3  排序指標
    4.2  在線分桶測試
      4.2.1  設置分桶測試
      4.2.2  在線性能指標
      4.2.3  測試結果分析
    4.3  離線模擬
    4.4  離線回放
      4.4.1  基本回放估計
      4.4.2  回放的擴展
    4.5  小結
    4.6  練習
第二部分  常見問題設置
  第5章  問題設置與系統架構
    5.1  問題設置
      5.1.1  常見的推薦模塊
      5.1.2  應用設置
      5.1.3  常見的統計方法
    5.2  系統架構
      5.2.1  主要組件
      5.2.2  示例系統
  第6章  熱門推薦
    6.1  應用案例：雅虎「今日」模塊
    6.2  問題定義
    6.3  貝葉斯方案
      6.3.1  2×2案例：兩件物品，兩個間隔
      6.3.2  K×2案例：K件物品，兩個間隔
      6.3.3  一般解
    6.4  非貝葉斯方案
    6.5  實驗評估
      6.5.1  比較分析
      6.5.2  方案刻畫
      6.5.3  分段分析
      6.5.4  桶測試結果
    6.6  大規模內容池
    6.7  小結
    6.8  練習
  第7章  基於特徵回歸的個性化
    7.1  快速在線雙線性因子模型
      7.1.1  FOBFM概述
      7.1.2  FOBFM詳解
    7.2  離線訓練
      7.2.1  EM演算法
      7.2.2  E步驟
      7.2.3  M步驟
      7.2.4  可擴展性

    7.3  在線學習
      7.3.1  在線高斯模型
      7.3.2  在線邏輯模型
      7.3.3  探索與利用方案
      7.3.4  在線模型選擇
    7.4  雅虎數據集上的效果展示
      7.4.1  My Yahoo!數據集
      7.4.2  雅虎首頁數據集
      7.4.3  不包含離線雙線性項的FOBFM
    7.5  小結
    7.6  練習
  第8章  基於因子模型的個性化
    8.1  面向回歸的隱因子模型
      8.1.1  從矩陣分解到RLFM
      8.1.2  模型詳解
      8.1.3  RLFM的隨機過程
    8.2  擬合演算法
      8.2.1  適用於高斯響應的EM演算法
      8.2.2  適用於邏輯響應的基於ARS的EM演算法
      8.2.3  適用於邏輯響應的變分EM演算法
    8.3  冷啟動效果展示
    8.4  時間敏感物品的大規模推薦
      8.4.1  在線學習
      8.4.2  並行擬合演算法
    8.5  大規模問題效果展示
      8.5.1   MovieLens-1M數據
      8.5.2  小規模雅虎首頁數據
      8.5.3  大規模雅虎首頁數據
      8.5.4  結果討論
    8.6  小結
    8.7  練習
第三部分  進階主題
  第9章  基於隱含狄利克雷分佈的分解
    9.1  簡介
    9.2  模型
      9.2.1  模型概述
      9.2.2  模型詳解
    9.3  訓練和預測
      9.3.1  模型擬合
      9.3.2  預測
    9.4  實驗
      9.4.1  MovieLens數據
      9.4.2  Yahoo! Buzz應用
      9.4.3  BookCrossing數據集
    9.5  相關工作
    9.6  小結
  第10章  上下文相關推薦
    10.1  張量分解模型
      10.1.1  建模
      10.1.2  模型擬合

      10.1.3  討論
    10.2  層次收縮模型
      10.2.1  建模
      10.2.2  模型擬合
      10.2.3  局部增強張量模型
    10.3  多角度新聞文章推薦
      10.3.1  探索性數據分析
      10.3.2  實驗評估
    10.4  相關物品推薦
      10.4.1  語義相關性
      10.4.2  響應預測
      10.4.3  預測響應和預測相關性的結合
    10.5  小結
  第11章  多目標優化
    11.1  應用設置
    11.2  分段方法
      11.2.1  問題設置
      11.2.2  目標優化
    11.3  個性化方法
      11.3.1  原始表示
      11.3.2  拉格朗日對偶
    11.4  近似方法
      11.4.1  聚類
      11.4.2  採樣
    11.5  實驗
      11.5.1  實驗設置
      11.5.2  實驗結果
    11.6  相關工作
    11.7  小結
參考文獻
索引

  • 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