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

圖計算與推薦系統

  • 作者：劉宇|責編:楊福川//董惠芝
  • 出版社：機械工業
  • ISBN：9787111736967
  • 出版日期：2023/12/01
  • 裝幀：平裝
  • 頁數：218
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一本全面講解圖計算、知識圖譜及其在推薦系統領域應用的專著，為讀者基於神經網路構建推薦系統提供了詳細指導，是作者在相關領域10余年經驗的總結。掌握本書內容，讀者可開發出能處理多模態數據的推薦系統，提供更豐富和準確的推薦體驗。本書主要內容分為兩篇。
    第一篇圖數據以及圖模型（第1-3章）
    對圖數據、圖神經網路、知識圖譜的基礎知識進行了梳理，幫助讀者掌握這3項技術的關鍵原理與演算法，為後面的學習打下基礎。
    第二篇推薦系統（第4-9章）
    首先介紹了推薦系統的架構，包括邏輯架構、技術架構和數據建模，以及基於GNN的推薦系統架構；然後詳細講解了如何基於GNN構建推薦系統，以及基於圖的推薦演算法；接著講解了知識圖譜在推薦系統中的應用以及相關的演算法模型；最後探討了推薦系統領域當前的熱點問題、研究方向，以及工業級推薦系統領域的核心難題。
作者介紹
劉宇|責編:楊福川//董惠芝
    劉宇，資深AI技術專家和搜索與推薦領域專家，曾在多家互聯網公司擔任資深演算法專家、技術總監以及技術VP，現擔任某創業公司CTO。在人工智慧和信息檢索領域有10余年開發經驗，對主流的推薦、搜索、聊天機器人、大模型等技術、產品與解決方案都有深入研究，尤其擅長用簡單高效的方法解決公司的數智化問題。     項目經驗豐富，曾成功主導多個電商演算法項目的落地和實施，參與完成多個推薦系統從0到1的搭建。曾在多家單位獲得個人開發優秀貢獻獎，帶領團隊多次獲得團隊優秀貢獻獎。著有《智能搜索和推薦系統：原理、演算法與應用》《聊天機器人：入門、進階與實戰》，其中前者在2022年被某電商平台評為「人工智慧領域最受讀者喜愛圖書TOP5」。
目錄
推薦序一
推薦序二
推薦序三
前言
第一篇  圖數據與圖模型
  第1章  圖數據基礎
    1.1  數學基礎
    1.2  圖的基本知識
      1.2.1  什麼是圖
      1.2.2  圖中基本元素及定義
    1.3  圖的表示方法
      1.3.1  圖的代數表示
      1.3.2  圖的遍歷
    1.4  圖數據及圖神經網路
      1.4.1  圖數據的性質
      1.4.2  圖數據應用
      1.4.3  圖神經網路的發展史
    1.5  本章小結
  第2章  圖神經網路基礎
    2.1  神經網路的基本知識
      2.1.1  神經元
      2.1.2  前饋神經網路
      2.1.3  反向傳播
    2.2  卷積神經網路
      2.2.1  卷積神經網路基本概念和特點
      2.2.2  卷積神經網路模型
    2.3  循環神經網路
      2.3.1  循環神經網路結構和特點
      2.3.2  循環神經網路模型
    2.4  圖神經網路
      2.4.1  圖神經網路綜述
      2.4.2  卷積圖神經網路
      2.4.3  循環圖神經網路
    2.5  本章小結
  第3章  知識圖譜基礎
    3.1  知識圖譜的定義和模型
      3.1.1  知識圖譜定義
      3.1.2  知識圖譜嵌入
      3.1.3  距離變換模型
      3.1.4  語義匹配模型
    3.2  知識圖譜上的神經網路
      3.2.1  關係圖卷積網路
      3.2.2  知識圖譜與注意力模型
    3.3  本章小結
第二篇  推薦系統
  第4章  推薦系統架構
    4.1  推薦系統的邏輯架構
    4.2  推薦系統的技術架構
    4.3  推薦系統的數據和模型部分
      4.3.1  推薦系統中的數據平台建設

      4.3.2  推薦系統中的數據挖掘方法
      4.3.3  推薦系統模型
    4.4  推薦系統的評估
      4.4.1  推薦系統的評估實驗方法
      4.4.2  離線評估
      4.4.3  在線評估
    4.5  基於GNN的推薦系統架構
    4.6  本章小結
  第5章  基於GNN的推薦系統構建基礎
    5.1  關於嵌入
    5.2  Word2Vec
      5.2.1  哈夫曼樹與哈夫曼編碼
      5.2.2  基於Hierarchical Softmax的CBOW模型
      5.2.3  基於Hierarchical Softmax的Skip-gram模型
    5.3  Item2Vec
    5.4  圖嵌入
      5.4.1  DeepWalk演算法
      5.4.2  Line演算法
      5.4.3  Node2Vec演算法
    5.5  本章小結
  第6章  基於圖的推薦演算法
    6.1  基於圖的召回演算法
      6.1.1  從協同過濾到GCMC
      6.1.2  召回階段的深度學習演算法
      6.1.3  圖召回的方法
    6.2  基於圖的排序演算法
      6.2.1  基於特徵交互建模——GraphFM模型
      6.2.2  基於顯式關係建模GMT模型
    6.3  本章小結
  第7章  知識圖譜與推薦系統
    7.1  利用圖譜建模
      7.1.1  RippleNet模型
      7.1.2  KGAT模型
    7.2  圖譜建模與物品推薦關聯學習
      7.2.1  KTUP模型
      7.2.2  MKR模型
    7.3  物品增強學習
      7.3.1  DKN模型
      7.3.2  KRED模型
    7.4  增強可解釋性
      7.4.1  KPRN模型
      7.4.2  PGPR模型
    7.5  本章小結
  第8章  推薦系統的熱點問題和研究方向
    8.1  推薦系統的熱點問題
      8.1.1  多源數據融合
      8.1.2  冷啟動
      8.1.3  可解釋性
      8.1.4  探索和利用
      8.1.5  繭房效應

      8.1.6  用戶隱私
      8.1.7  評估問題
    8.2  推薦系統研究方向
      8.2.1  推薦中的圖神經網路
      8.2.2  推薦中的強化學習
      8.2.3  因果推薦
    8.3  本章小結
  第9章  推薦系統實踐
    9.1  工業級系統架構
      9.1.1  工業級推薦系統的特點
      9.1.2  推薦系統的常見架構
      9.1.3  工業級基於圖神經網路的推薦系統
    9.2  工業級推薦系統問題及解決辦法
      9.2.1  冷啟動問題及解決辦法
      9.2.2  模型問題及解決辦法
    9.3  工業級推薦系統增長方案
      9.3.1  召回
      9.3.2  排序
    9.4  本章小結

  • 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