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

認知驅動的推薦系統(精)/數據要素研究與實踐叢書

  • 作者：陽德青|責編:樓玲玲//高軍曉
  • 出版社：上海科技
  • ISBN：9787547879030
  • 出版日期：2026/09/01
  • 裝幀：精裝
  • 頁數：206
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書作者基於多年來在推薦系統、知識圖譜與大語言模型等領域的研究經驗和見解，結合當今認知智能時代的技術發展潮流和特點，向各位讀者深入淺出地介紹了新一代推薦系統的相關設計思想、技術原理與關鍵的實現細節。相比以往的推薦系統技術圖書，作者並不關注對所有經典的推薦演算法和模型做走馬觀花式的概要介紹，而是重點釐清推薦系統從數據驅動範式邁向認知驅動範式的技術變革，並按不同的推薦任務場景分類介紹了一些代表性的認知驅動推薦系統研究成果。本書可作為推薦系統相關領域的研究人士或從業人員的參考資料。
作者介紹
陽德青|責編:樓玲玲//高軍曉
    陽德青，復旦大學大數據學院副教授、博士生導師，高等學術研究院副院長、上海市數據科學重點實驗室副主任，復旦大學知識工場實驗室的創始人之一。主要研究領域包括大語言模型智能體、知識圖譜、推薦系統等，主持過國家自然科學基金重大研究計劃（培育）項目、上海市人工智慧科技支撐專項等科研課題，並與美團、阿里、交通銀行、聯合汽車電子等企事業單位合作共建部署多個領域知識圖譜與智能系統，先後榮獲吳文俊人工智慧科學技術獎（科技進步）三等獎、ACL 2023/2025傑出論文獎、CIKM 2022最佳論文（短文）獎等獎項。在人工智慧與數據科學領域的國際頂尖（CCF A類）學術會議和期刊上發表論文數十篇，曾參與撰寫教材《知識圖譜——概念與技術》，並擁有多項發明專利。
目錄
書中部分英文術語中文釋義表
第1章  推薦系統的技術演進
  1.1  前深度學習時代
    1.1.1  協同過濾演算法
    1.1.2  矩陣分解演算法
    1.1.3  其他經典推薦演算法
  1.2  深度學習時代
    1.2.1  NCF：神經協同過濾
    1.2.2  Wide & Deep
    1.2.3  DCN：深度交叉網路
    1.2.4  DIN：深度興趣網路
    1.2.5  SASRec：自注意力序列化推薦
    1.2.6  BERT4Rec：基於BERT的序列化推薦
    1.2.7  LightGCN：輕量級圖卷積神經網路
    1.2.8  深度學習推薦系統的技術特點
  1.3  大語言模型時代
    1.3.1  Transformer：預訓練語言模型的基礎架構
    1.3.2  P5：推薦即語言處理的統一範式變革
  1.4  本章小結
  參考文獻
第2章  認知驅動的推薦系統範式
  2.1  從數據驅動到認知驅動
  2.2  推薦系統的知識注入範式
    2.2.1  傳統知識的注入
    2.2.2  知識圖譜知識的注入
  2.3  從判別式推薦到生成式推薦
    2.3.1  判別式語言模型與生成式語言模型
    2.3.2  判別式推薦與生成式推薦
  2.4  大語言模型與推薦系統的融合範式
    2.4.1  大模型生成嵌入向量
    2.4.2  大模型生成自然語言輔助信息
    2.4.3  大模型直接產生推薦結果
  2.5  本章小結
  參考文獻
第3章  面向數據稀疏場景的推薦
  3.1  任務挑戰與目標
  3.2  建模基本思路
  3.3  代表模型介紹
    3.3.1  KTGAN
    3.3.2  KAC
    3.3.3  基於大模型的交互數據增強
    3.3.4  ColdLLM
  3.4  本章小結
  參考文獻
第4章  可解釋推薦
  4.1  任務挑戰與目標
  4.2  建模基本思路
  4.3  代表模型介紹
    4.3.1  KPRN
    4.3.2  PGPR

    4.3.3  LLMRG
    4.3.4  G-Refer
  4.4  本章小結
  參考文獻
第5章  跨領域推薦
  5.1  任務挑戰與目標
  5.2  建模基本思路
  5.3  代表模型介紹
    5.3.1  MIFN
    5.3.2  LLM4CDR
    5.3.3  LLMCDSR
    5.3.4  LLM4CDSR
    5.3.5  LLM-EDT
  5.4  本章小結
  參考文獻
第6章  群組推薦
  6.1  任務挑戰與目標
  6.2  建模基本思路
  6.3  代表模型介紹
    6.3.1  KGAG
    6.3.2  T-GCN-LLM
    6.3.3  LLM GPR
  6.4  本章小結
  參考文獻
第7章  公平性推薦
  7.1  任務挑戰與目標
  7.2  建模基本思路
  7.3  代表模型介紹
    7.3.1  FAER
    7.3.2  FaiRLLM
    7.3.3  SPRec
    7.3.4  LLM-FairRec
  7.4  本章小結
  參考文獻
第8章  面向複雜行為的推薦
  8.1  任務挑戰與目標
  8.2  建模基本思路
  8.3  代表模型介紹
    8.3.1  MKM-SR
    8.3.2  KHGT
    8.3.3  EAGER-LLM
    8.3.4  MPC
    8.3.5  M-GPT
  8.4  本章小結
  參考文獻
第9章  多模態推薦
  9.1  任務挑戰與目標
  9.2  建模基本思路
  9.3  代表模型介紹
    9.3.1  MKGAT

    9.3.2  DOGE
    9.3.3  MLLM-MSR
    9.3.4  MDVT
    9.3.5  TargetMR
  9.4  本章小結
  參考文獻
第10章  對話式推薦
  10.1  任務挑戰與目標
  10.2  建模基本思路
  10.3  代表模型介紹
    10.3.1  ReDial
    10.3.2  KBRD
    10.3.3  EAR
    10.3.4  InteRecAgent
  10.4  本章小結
  參考文獻
第11章  引導式推薦
  11.1  任務挑戰與目標
  11.2  基本建模思路
  11.3  代表模型介紹
    11.3.1  IRS
    11.3.2  IPG
    11.3.3  T-PRA
    11.3.4  ProRL
  11.4  本章小結
  參考文獻
第12章  智能體時代的推薦系統
  12.1  智能體時代的技術革新
    12.1.1  智能體的推薦範式變革
    12.1.2  從AI Agent到Agentic AI
    12.1.3  智能體系統框架
    12.1.4  多智能體推薦系統
  12.2  代表模型介紹
    12.2.1  Agent4Rec
    12.2.2  MACRec
    12.2.3  AFL
    12.2.4  RecMind
  12.3  本章小結
  參考文獻
第13章  未來展望
  13.1  系統實現的效率與成本
  13.2  訓練數據的採集與合成
  13.3  推薦效果的科學評價
  13.4  社會倫理與責任

  • 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