幫助中心 | 我的帳號 | 關於我們

推薦系統(普通高等教育人工智慧與大數據系列教材)

  • 作者:編者:劉宏志|責編:路乙達//李鵬
  • 出版社:機械工業
  • ISBN:9787111649380
  • 出版日期:2020/04/01
  • 裝幀:平裝
  • 頁數:172
人民幣:RMB 39 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書除了介紹推薦系統的一般框架、典型應用和評測方法之外,主要還介紹各種典型推薦演算法的思想、原理、演算法設計和應用場景,包括針對「千人千面」的個性化推薦和針對「千人萬面」的情境化推薦。此外,本書還包含一些和推薦系統相關的專題內容,例如:針對排序問題的排序學習和針對信息融合的異質信息網路模型。
    本書可作為電腦科學與技術、軟體工程、數據科學、人工智慧等專業的高年級本科生和研究生的推薦系統相關課程的教材,也可作為從事推薦系統、搜索引擎、數據挖掘等研發工作的相關人員的參考書。

作者介紹
編者:劉宏志|責編:路乙達//李鵬

目錄
前言
第1章  概述
  1.1  推薦系統簡介
    1.1.1  信息超載
    1.1.2  長尾效應
    1.1.3  推薦系統的價值
  1.2  推薦系統的發展歷史
  1.3  個性化推薦
    1.3.1  用戶畫像
    1.3.2  項目畫像
  1.4  應用場景
    1.4.1  電商
    1.4.2  新聞
    1.4.3  音樂
  1.5  推薦系統框架與形式化定義
  1.6  推薦演算法分類
    1.6.1  基於演算法思想的分類
    1.6.2  基於應用問題的分類
  習題
第2章  基於鄰域的協同過濾
  2.1  協同過濾簡介
    2.1.1  基本思想
    2.1.2  演算法分類
    2.1.3  一般流程
  2.2  基於用戶的協同過濾
    2.2.1  Top-N推薦
    2.2.2  評分預測
  2.3  基於項目的協同過濾
    2.3.1  Top-N推薦
    2.3.2  評分預測
  2.4  基於距離的相似度度量
  2.5  Slope One演算法
  2.6  基於二部圖的協同過濾
    2.6.1  激活擴散模型
    2.6.2  物質擴散模型
    2.6.3  熱傳導模型
  習題
第3章  基於模型的協同過濾
  3.1  基於關聯規則的協同過濾
    3.1.1  基本概念
    3.1.2  關聯規則度量
    3.1.3  Apriori關聯規則挖掘演算法
    3.1.4  關聯規則的相關分析
  3.2  基於矩陣分解的評分預測
    3.2.1  奇異值分解
    3.2.2  隱語義模型
    3.2.3  概率矩陣分解
    3.2.4  SVD++模型
  3.3  基於矩陣分解的Top-N推薦
    3.3.1  基於正樣本過採樣的矩陣分解

    3.3.2  基於負樣本欠採樣的矩陣分解
  習題
第4章  基於內容和知識的推薦
  4.1  基於內容的推薦系統框架
  4.2  基於詞向量空間模型的文本表示
    4.2.1  詞袋模型
    4.2.2  TF-IDF模型
    4.2.3  模型改進
    4.2.4  餘弦相似度
  4.3  基於語義的內容相似度
    4.3.1  基於本體的文本相似度
    4.3.2  基於網路知識的文本相似度
    4.3.3  基於語料庫的文本相似度
  4.4  基於知識的推薦
    4.4.1  基於約束的推薦
    4.4.2  基於效用的推薦
    4.4.3  基於實例的推薦
  習題
第5章  混合推薦系統
  5.1  混合推薦實例——Netflix百萬美金公開賽
  5.2  混合/組合推薦的動機
    5.2.1  實踐經驗
    5.2.2  理論依據
  5.3  混合/組合方法分類
    5.3.1  有監督組合和無監督組合
    5.3.2  並行式混合、串列式混合和整體式混合
  5.4  並行式混合推薦
    5.4.1  加權式混合
    5.4.2  切換式混合
    5.4.3  排序混合
  5.5  串列式混合推薦
    5.5.1  級聯過濾
    5.5.2  級聯學習
  5.6  整體式混合推薦
    5.6.1  特徵組合
    5.6.2  特徵擴充
    5.6.3  基於圖模型的混合
  習題
第6章  推薦系統評測
  6.1  評測視角
  6.2  實驗方法
    6.2.1  在線實驗
    6.2.2  用戶調查
    6.2.3  離線實驗
  6.3  評分預測評價指標
    6.3.1  MAE和MSE
    6.3.2  RMSE、NMAE和NRMSE
  6.4  Top-N推薦評價指標
    6.4.1  分類準確度指標
    6.4.2  ROC曲線和AUC值

    6.4.3  基於排序的評價指標
    6.4.4  其他常用評價指標
  6.5  公開實驗數據集
  習題
第7章  基於排序學習的推薦
  7.1  排序學習模型分類
  7.2  對級排序學習模型
    7.2.1  基本框架
    7.2.2  貝葉斯個性化排序
    7.2.3  協同對級排序學習
  7.3  列表級排序學習模型
    7.3.1  P-Push CR演算法
    7.3.2  CofiRank演算法
  習題
第8章  基於情境感知的推薦
  8.1  情境信息的定義
  8.2  情境信息的獲取
  8.3  基於情境感知的推薦系統框架
    8.3.1  數據立方體
    8.3.2  基於樹的層次信息表達
  8.4  融合情境信息的推薦模型
    8.4.1  情境預過濾
    8.4.2  情境後過濾
  8.5  情境建模
    8.5.1  基於鄰域的方法
    8.5.2  基於模型的方法
  習題
第9章  基於時空信息的推薦
  9.1  基於時間信息的推薦
    9.1.1  最近最熱門推薦演算法
    9.1.2  基於時間的項目協同過濾
    9.1.3  基於時間的用戶協同過濾
    9.1.4  基於會話的推薦
  9.2  基於序列感知的推薦
    9.2.1  基於馬爾可夫模型的序列預測
    9.2.2  基於循環神經網路的序列預測
  9.3  基於空間信息的推薦
    9.3.1  位置信息的獲取與推理
    9.3.2  基於位置信息的推薦
    9.3.3  融合其他信息的推薦
  習題
第10章  基於社交關係的推薦
  10.1  社交關係數據
  10.2  基於鄰域的社交化推薦
    10.2.1  基於用戶的協同過濾
    10.2.2  基於圖擴散的推薦
  10.3  基於模型的社交化推薦
    10.3.1  基於潛在社交因子學習的推薦
    10.3.2  基於顯式社交關係的推薦
  10.4  基於社會曝光的協同過濾

  習題
第11章  基於異質信息網路的推薦
  11.1  基本概念
  11.2  基於鄰域的HIN推薦演算法
    11.2.1  基於隨機遊走的相關度度量
    11.2.2  基於元路徑的相關度度量
    11.2.3  基於元路徑和隨機遊走混合的相關度度量
  11.3  基於模型的HIN推薦演算法
    11.3.1  兩階段融合模型
    11.3.2  端到端的學習模型
  習題
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