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

深度學習推薦方法及應用

  • 作者：龐光垚|責編:張迪
  • 出版社：電子工業
  • ISBN：9787121506734
  • 出版日期：2025/06/01
  • 裝幀：平裝
  • 頁數：175
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    推薦系統是解決信息過載的重要技術，是信息檢索和數據挖掘等領域的研究熱點。目前，基於深度學習的混合推薦方法佔據主流，但這些方法往往忽略了結構化數據中組合信息和整體信息所蘊含的豐富隱藏特徵，同時也未能有效應對文本數據（非結構化數據）中存在的單詞稀疏和同義詞問題。
    為了解決以上問題，本書提出了以下推薦方法：基於「字元-短語」注意力機制和因子分解機的混合推薦方法和基於「局部-整體」注意力和文本匹配機制的推薦方法，旨在通過獲取更多信息和提升模型特徵提取能力，來實現更精準的個性化推薦；基於層次注意力和增強經驗優先回放機制的深度強化學習推薦方法和基於自適應元模仿學習的推薦環境模擬器，旨在突破深度強化學習在推薦領域面臨的挑戰。此外，本書還在船貨匹配場景中，從實踐角度驗證並應用了所提出的推薦方法。
    本書主要面向以下幾類讀者群體：信息技術領域的科研人員、互聯網公司的技術人員、數據科學愛好者與從業者、高校師生、航運業及其他傳統行業的數字化轉型團隊。
作者介紹
龐光垚|責編:張迪
目錄
第1章  緒論
  1.1  研究背景及意義
  1.2  國內外研究現狀
    1.2.1  傳統推薦方法
    1.2.2  基於深度學習的混合推薦方法
    1.2.3  基於深度強化學習的推薦方法
  1.3  面臨的問題與挑戰
  1.4  主要工作和貢獻
  1.5  本書組織結構
第2章  基本概念和預備知識
  2.1  深度學習技術
    2.1.1  卷積神經網路
    2.1.2  循環神經網路
    2.1.3  深度強化學習
    2.1.4  元學習
  2.2  傳統推薦方法
    2.2.1  協同過濾方法
    2.2.2  矩陣分解方法
    2.2.3  基於內容的推薦方法
  2.3  基於深度學習的混合推薦方法
    2.3.1  WideDeep混合推薦方法
    2.3.2  DeepFM混合推薦方法
    2.3.3  基於強化學習的推薦方法
  2.4  推薦方法評價標準
  2.5  本章小結
第3章  基於「字元-短語」注意力機制和因子分解機的混合推薦方法
  3.1  內容推薦問題的形式化描述
  3.2  系統模型
    3.2.1  基於字元級注意力機制的卷積神經網路模型
    3.2.2  基於短語級注意力機制的卷積神經網路模型
    3.2.3  基於雙列卷積神經網路和因子分解機的評分預測模型
  3.3  訓練方法
  3.4  實驗結果與分析
    3.4.1  字元長度對推薦效果的影響
    3.4.2  時間成本評測
    3.4.3  多場景性能評測
    3.4.4  新用戶冷啟動環境性能評測
  3.5  本章小結
第4章  基於「局部-整體」注意力和文本匹配機制的興趣點推薦方法
  4.1  興趣點推薦問題形式化分析
  4.2  系統模型
    4.2.1  基於「局部-整體」注意力機制的顯式特徵提取模型
    4.2.2  基於注意力機制的隱式特徵提取模型
    4.2.3  基於「局部-整體」注意力機制和「用戶-POI」匹配機制的興趣點推薦
模型
  4.3  訓練方法
    4.3.1  方法過程描述
    4.3.2  有效利用非結構化數據的相關討論
  4.4  實驗結果與分析
    4.4.1  不同創新點對推薦效果的影響

    4.4.2  文本長度對推薦效果的影響
    4.4.3  視覺特徵對推薦效果的影響
    4.4.4  多環境性能評測
  4.5  本章小結
第5章  基於層次注意力和增強經驗優先回放機制的深度強化學習推薦
方法
  5.1  深度強化學習推薦問題的形式化分析
  5.2  系統模型
    5.2.1  基於層次注意力的行動者網路模型
    5.2.2  基於深度Q學習的評論家網路模型
    5.2.3  增強經驗優先回放機制
  5.3  基於深度確定性策略梯度架構的深度強化學習推薦模型訓練方法
    5.3.1  方法過程描述
    5.3.2  注意力機制設計策略和適用場景的相關討論
  5.4  實驗及結果分析
    5.4.1  不同創新點的有效性評估
    5.4.2  各推薦方法的性能評估
    5.4.3  穩定性評估
    5.4.4  不同預測序列長度中各推薦方法的性能評估
  5.5  本章小結
第6章  基於自適應元模仿學習的推薦環境模擬器
  6.1  環境模擬器面臨的困難分析
  6.2  系統模型
    6.2.1  基於條件擴散模型的用戶狀態生成模型
    6.2.2  基於自適應元模仿學習的用戶反饋模型
  6.3  實驗評測
    6.3.1  實驗步驟
    6.3.2  用戶生成模型性能評測
    6.3.3  用戶反饋模型的性能評測
    6.3.4  環境模擬器有效性評測
  6.4  本章小結
第7章  推薦系統在船運中的應用
  7.1  特徵工程
    7.1.1  特徵選擇的原則
    7.1.2  特徵選擇的策略
    7.1.3  特徵向量化
  7.2  候選集生成模型
    7.2.1  召回策略選擇
    7.2.2  候選集生成
  7.3  排序模型
  7.4  演算法集成與應用
  7.5  本章小結
第8章  總結與展望
  8.1  總結
  8.2  未來工作展望
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