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

推薦系統實踐

  • 作者：編者:項亮|責編:毛倩倩
  • 出版社：人民郵電
  • ISBN：9787115281586
  • 出版日期：2012/06/01
  • 裝幀：平裝
  • 頁數：197
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書通過大量代碼和圖表全面系統地闡述了和推薦系統有關的理論基礎，介紹了評價推薦系統優劣的各種標準（比如覆蓋率、滿意度）和方法（比如AB測試），總結了當今互聯網領域中各種和推薦有關的產品和服務。另外，本書為有興趣開發推薦系統的讀者給出了設計和實現推薦系統的方法與技巧，並解答了在真實場景中應用推薦技術時最常遇到的一些問題。
    本書適合對推薦技術感興趣的讀者學習參考。
作者介紹
編者:項亮|責編:毛倩倩
    項亮，畢業於中國科學技術大學和中國科學院自動化所，研究方向為機器學習和推薦系統，現任職于北京Hulu軟體技術開發有限公司，從事視頻推薦的研究和開發。2009年參加Netflix Prize推薦系統比賽獲得團體名，且于當年參與創建了Resys China推薦系統社區。
目錄
第1章  好的推薦系統
  1.1  什麼是推薦系統
  1.2  個性化推薦系統的應用
    1.2.1  電子商務
    1.2.2  電影和視頻網站
    1.2.3  個性化音樂網路電台
    1.2.4  社交網路
    1.2.5  個性化閱讀
    1.2.6  基於位置的服務
    1.2.7  個性化郵件
    1.2.8  個性化廣告
  1.3  推薦系統評測
    1.3.1  推薦系統實驗方法
    1.3.2  評測指標
    1.3.3  評測維度
第2章  利用用戶行為數據
  2.1  用戶行為數據簡介
  2.2  用戶行為分析
    2.2.1  用戶活躍度和物品流行度的分佈
    2.2.2  用戶活躍度和物品流行度的關係
  2.3  實驗設計和演算法評測
    2.3.1  數據集
    2.3.2  實驗設計
    2.3.3  評測指標
  2.4  基於鄰域的演算法
    2.4.1  基於用戶的協同過濾演算法
    2.4.2  基於物品的協同過濾演算法
    2.4.3  UserCF和ItemCF的綜合比較
  2.5  隱語義模型
    2.5.1  基礎演算法
    2.5.2  基於LFM的實際系統的例子
    2.5.3  LFM和基於鄰域的方法的比較
  2.6  基於圖的模型
    2.6.1  用戶行為數據的二分圖表示
    2.6.2  基於圖的推薦演算法
第3章  推薦系統冷啟動問題
  3.1  冷啟動問題簡介
  3.2  利用用戶註冊信息
  3.3  選擇合適的物品啟動用戶的興趣
  3.4  利用物品的內容信息
  3.5  發揮專家的作用
第4章  利用用戶標籤數據
  4.1  UGC標籤系統的代表應用
    4.1.1  Delicious
    4.1.2  CiteULike
    4.1.3  Last.fm
    4.1.4  豆瓣
    4.1.5  Hulu
  4.2  標籤系統中的推薦問題
    4.2.1  用戶為什麼進行標注

    4.2.2  用戶如何打標籤
    4.2.3  用戶打什麼樣的標籤
  4.3  基於標籤的推薦系統
    4.3.1  實驗設置
    4.3.2  一個最簡單的演算法
    4.3.3  演算法的改進
    4.3.4  基於圖的推薦演算法
    4.3.5  基於標籤的推薦解釋
  4.4  給用戶推薦標籤
    4.4.1  為什麼要給用戶推薦標籤
    4.4.2  如何給用戶推薦標籤
    4.4.3  實驗設置
    4.4.4  基於圖的標籤推薦演算法
  4.5  擴展閱讀
第5章  利用上下文信息
  5.1  時間上下文信息
    5.1.1  時間效應簡介
    5.1.2  時間效應舉例
    5.1.3  系統時間特性的分析
    5.1.4  推薦系統的實時性
    5.1.5  推薦演算法的時間多樣性
    5.1.6  時間上下文推薦演算法
    5.1.7  時間段圖模型
    5.1.8  離線實驗
  5.2  地點上下文信息
  5.3  擴展閱讀
第6章  利用社交網路數據
  6.1  獲取社交網路數據的途徑
    6.1.1  電子郵件
    6.1.2  用戶註冊信息
    6.1.3  用戶的位置數據
    6.1.4  論壇和討論組
    6.1.5  即時聊天工具
    6.1.6  社交網站
  6.2  社交網路數據簡介
  6.3  基於社交網路的推薦
    6.3.1  基於鄰域的社會化推薦演算法
    6.3.2  基於圖的社會化推薦演算法
    6.3.3  實際系統中的社會化推薦演算法
    6.3.4  社會化推薦系統和協同過濾推薦系統
    6.3.5  信息流推薦
  6.4  給用戶推薦好友
    6.4.1  基於內容的匹配
    6.4.2  基於共同興趣的好友推薦
    6.4.3  基於社交網路圖的好友推薦
    6.4.4  基於用戶調查的好友推薦演算法對比
  6.5  擴展閱讀
第7章  推薦系統實例
  7.1  外圍架構
  7.2  推薦系統架構

  7.3  推薦引擎的架構
    7.3.1  生成用戶特徵向量
    7.3.2  特徵?物品相關推薦
    7.3.3  過濾模塊
    7.3.4  排名模塊
  7.4  擴展閱讀
第8章  評分預測問題
  8.1  離線實驗方法
  8.2  評分預測演算法
    8.2.1  平均值
    8.2.2  基於鄰域的方法
    8.2.3  隱語義模型與矩陣分解模型
    8.2.4  加入時間信息
    8.2.5  模型融合
    8.2.6  Netflix Prize的相關實驗結果
後記

  • 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