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(核心技術演算法與開發實戰)

  • 作者：編者:張百珂|責編:于先軍
  • 出版社：中國鐵道
  • ISBN：9787113311148
  • 出版日期：2024/05/01
  • 裝幀：平裝
  • 頁數：258
人民幣：RMB 79.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書循序漸進地講解了使用Python語言開發推薦系統的核心知識，並通過具體實例的實現過程演練了各個知識點的使用方法和使用流程。全書共12章，包括推薦系統基礎知識、基於內容的推薦、協同過濾推薦、混合推薦、基於標籤的推薦、基於知識圖譜的推薦、基於隱語義模型的推薦、基於神經網路的推薦模型、序列建模和注意力機制、強化推薦學習、實時電影推薦系統開發和服裝推薦系統開發。本書內容簡潔而不失技術深度，數據資料翔實齊全，並且易於閱讀。
    本書適合已經了解了Python語言基礎語法，想進一步學習推薦系統技術的讀者學習，還可作為大專院校相關專業的師生用書和培訓學校的參考教材。
作者介紹
編者:張百珂|責編:于先軍
目錄
第1章  推薦系統基礎知識
  1.1  推薦系統簡介
    1.1.1  推薦系統的應用領域
    1.1.2  推薦系統的重要性
  1.2  推薦系統和人工智慧
    1.2.1  機器學習
    1.2.2  深度學習
    1.2.3  推薦系統與人工智慧的關係
  1.3  推薦系統演算法概覽
  1.4  推薦系統面臨的挑戰
    1.4.1  用戶隱私和數據安全問題
    1.4.2  推薦演算法的偏見和歧視
    1.4.3  推薦系統的社會影響和道德考量
第2章  基於內容的推薦
  2.1  文本特徵提取
    2.1.1  詞袋模型
    2.1.2  n-gram模型
    2.1.3  特徵哈希
  2.2  TF-IDF（詞頻逆文檔頻率）
    2.2.1  詞頻計算
    2.2.2  逆文檔頻率計算
    2.2.3  TF-IDF權重計算
  2.3  詞嵌入（word embedding）
    2.3.1  分散式表示方法
    2.3.2  使用word2Vec模型
    2.3.3  使用GloVe模型
  2.4  主題模型（topicmodeling）
    2.4.1  潛在語義分析
    2.4.2  主題模型的應用
  2.5  文本分類和標籤提取
    2.5.1  傳統機器學習方法
    2.5.2  卷積神經網路
  2.53  循環神經網路
  2.6  文本情感分析
    2.6.1  機器學習方法
    2.6.2  深度學習方法
第3章  協同過濾推薦
  3.1  協同過濾推薦介紹
  3.2  基於用戶的協同過濾
    3.2.1  基於用戶的協同過濾演算法的基本步驟
    3.2.2  Python的基於用戶的協同過濾演算法
  3.3  基於物品的協同過濾
    3.3.1  計算物品之間的相似度
    3.3.2  進行推薦
  3.4  基於模型的協同過濾
    3.4.1  矩陣分解模型
    3.4.2  基於圖的模型
  3.5  混合型協同過濾
第4章  混合推薦
  4.1  特徵層面的混合推薦

    4.1.1  特徵層面混合推薦介紹
    4.1.2  用戶特徵融合
    4.1.3  物品特徵融合
  4.2  模型層面的混合推薦
    4.2.1  基於加權融合的模型組合
    4.2.2  基於集成學習的模型組合
  4.23  基於混合排序的模型組合
    4.2.4  基於協同訓練的模型組合
  4.3  策略層面的混合推薦
    4.3.1  動態選擇推薦策略
    4.3.2  上下文感知的推薦策略
第5章  基於標籤的推薦
  5.1  標籤的獲取和處理方法
    5.1.1  獲取用戶的標籤
    5.1.2  獲取物品的標籤
    5.1.3  標籤預處理和特徵提取
  5.2  標籤相似度計算方法
    5.2.1  基於標籤頻次的相似度計算
    5.2.2  基於標籤共現的相似度計算
    5.2.3  基於標籤語義的相似度計算
  5.3  基於標籤的推薦演算法
    5.3.1  基於用戶標籤的推薦演算法
    5.3.2  基於物品標籤的推薦演算法
  5.4  標籤推薦系統的評估和優化
    5.4.1  評估指標的選擇
    5.4.2  優化標籤推薦效果
第6章  基於知識圖譜的推薦
  6.1  知識圖譜介紹
    6.1.1  知識圖譜的定義和特點
    6.1.2  知識圖譜的構建方法
    6.1.3  知識圖譜與個性化推薦的關係
  6.2  知識表示和語義關聯
    6.2.1  實體和屬性的表示
    6.2.2  關係的表示和推理
    6.2.3  語義關聯的計算和衡量
  6.3  知識圖譜中的推薦演算法
    6.3.1  基於路徑體的推薦演算法
    6.3.2  基於實體的推薦演算法
    6.3.3  基於關係的推薦演算法
    6.3.4  基於知識圖譜推理的推薦演算法
第7章  基於隱語義模型的推薦
  7.1  隱語義模型概述
    7.1.1  隱語義模型介紹
    7.1.2  隱語義模型在推薦系統中的應用
  7.2  潛在語義索引
    7.2.1  LSI的基本思想和實現步驟
    7.2.2  Python中的潛在語義索引實現
  7.3  潛在狄利克雷分配
    7.3.1  實現LDA的基本步驟
    7.3.2  使用庫gensim構建推薦系統

  7.4  增強隱語義模型的信息來源
    7.4.1  基於內容信息的隱語義模型
    7.4.2  時間和上下文信息的隱語義模型
    7.4.3  社交網路信息的隱語義模型
第8章  基於神經網路的推薦模型
  8.1  深度推薦模型介紹
    8.1.1  傳統推薦模型的局限性
    8.1.2  深度學習在推薦系統中的應用
  8.2  基於MLP的推薦模型
    8.2.1  基於MLP推薦模型的流程
    8.2.2  用戶和物品特徵的編碼
  8.3  基於卷積神經網路的推薦模型
    8.3.1  卷積神經網路的用戶和物品特徵的表示
    8.3.2  卷積層和池化層的特徵提取
  8.4  基於循環神經網路的推薦模型
    8.4.1  序列數據的建模
    8.4.2  歷史行為序列的特徵提取
第9章  序列建模和注意力機制
  9.1  序列建模
    9.1.1  使用長短期記憶網路建模
    9.1.2  使用門控循環單元建模
  9.2  注意力機制
    9.2.1  注意力機制介紹
    9.2.2  注意力機制在推薦系統中的作用
    9.2.3  使用自注意力模型
  9.3  使用seq2Seq模型和注意力機制開發翻譯系統
    9.3.1  Seq2seq模型介紹
    9.3.2  使用注意力機制改良seq2seq模型
    9.3.3  準備數據集
    9.3.4  數據預處理
    9.3.5  實現seq2seq模型
    9.3.6  訓練模型
    9.3.7  模型評估
    9.3.8  訓練和評估
    9.3.9  注意力的可視化
第10章  強化推薦學習
  10.1  強化學習的基本概念
    10.1.1  基本模型和原理
    10.1.2  強化學習中的主要要素
    10.1.3  網路模型設計
    10.1.4  強化學習演算法和深度強化學習
  10.2  強化學習演算法
    10.2.1  值迭代演算法
    10.2.2  Q-learning演算法
    10.2.3  蒙特卡洛方法演算法
  10.3  深度Q網路演算法
  10.4  深度確定性策略梯度演算法
    10.4.1  DDPG演算法的核心思想和基本思路
    10.4.2  使用DDPG演算法實現推薦系統
  10.5  雙重深度Q網路演算法

    10.5.1  雙重深度Q網路介紹
    10.5.2  基於雙重深度Q網路的歌曲推薦系統
  10.6  PPO策略優化演算法
    10.6.1  PPO策略優化演算法介紹
    10.6.2  使用PPO策略優化演算法實現推薦系統
  10.7  TRPO演算法
    10.7.1  TRPO演算法介紹
    10.7.2  使用TRPO演算法實現商品推薦系統
  10.8  A3C演算法
    10.8.1  A3C演算法介紹
    10.8.2  使用A3C演算法訓練推薦系統
第11章  實時電影推薦系統開發
  11.1  系統介紹
    11.1.1  背景介紹
    11.1.2  推薦系統和搜索引擎
    11.1.3  項目介紹
  11.2  系統模塊
  11.3  數據採集和整理
    11.3.1  數據整理
    11.3.2  電影詳情數據
  11.4  情感分析和序列化操作
  11.5  Web端實時推薦
    11.5.1  Falsk啟動頁面
    11.5.2  模板文件
    11.5.3  後端處理
第12章  服裝推薦系統開發
  12.1  背景介紹
  12.2  系統分析
    12.2.1  系統介紹
    12.2.2  系統功能分析
  12.3  準備數據集
    12.3.1  產品介紹
    12.3.2  數據集介紹
  12.4  工具類
    12.4.1  讀取文件
    12.4.2  寫入、保存數據
  12.5  數據集處理
    12.5.1  初步分析
    12.5.2  數據清洗
    12.5.3  探索性數據分析和特徵工程
  12.6  實現推薦模型
    12.6.1  實現商品推薦和排序
    12.6.2  排序模型
    12.6.3  基於ResNet的圖像推薦模型
    12.6.4  訓練排名模型
    12.6.5  數據處理和特徵工程
    12.6.6  損失處理
    12.6.7  評估處理
  12.7  系統主文件

  • 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