智能推薦演算法與系統構建實踐 陳實如 9787115614872 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$826
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202401*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：智能推薦演算法與系統構建實踐 ISBN：9787115614872 出版社：人民郵電 著編譯者：陳實如 頁數：440 所在地：中國大陸 *此為代購商品 書號：1610030 可大量預訂，請先連絡。 內容簡介 本書從系統視角出發，闡述如何利用技術手段搭建企業級推薦系統，內容包括認知篇、數據篇、召回篇、排序篇、系統篇5個部分，覆蓋企業級推薦系統建設的核心要點。本書知識體系清晰，從基礎知識切入，逐步深入，先後涉及推薦系統的經典技術、主流技術和前沿技術。本書通過「理論+案例+代碼示例+心得體會」的方式闡述、歸納和總結推薦系統的知識，幫助讀者理解推薦系統，掌握技能，建立系統思維。 本書適合對推薦系統感興趣的初學者、從事數據挖掘信息推薦相關工作的研發工程師、產品經理、架構師，以及相關專業學生和教師閱讀。作者簡介 陳實如，博士研究生，教授級高級工程師，浪潮集團資深研究員，長期從事企業數字化轉型、技術規劃和技術管理，專註於物聯網、大數據、工業互聯網、人工智慧等領域，擅長數據挖掘、數據建模、推薦演算法和系統架構構建，獨立負責幾十個信息化平台的研發和交付，具有豐富的開發實戰經驗。喜歡總結，樂於分享。在國外核心期刊發表論文30餘篇，獲得國家發明專利授權20餘項。目錄 第1部分 認知篇第1章 認識推薦系統 1 1 推薦與推薦系統 1 2 生活中的推薦系統 1 3 推薦系統的特點與價值 1 4 推薦服務 1 5 個性化推薦策略 1 5 1 U2Tag2I策略 1 5 2 U2U2I策略 1 5 3 U2I2I策略 1 5 4 U2I策略 1 6 本章小結 第2章 推薦系統技術實現 2 1 工作原理 2 2 業務流程 2 3 業務功能模塊 2 3 1 數據採集 2 3 2 特徵工程 2 3 3 推薦演算法 2 3 4 推薦服務 2 3 5 效能評價 2 4 推薦系統開發 2 5 本章小結 第2部分 數據篇 第3章 數據提取與特徵向量 3 1 特徵標籤構建流程 3 2 特徵標籤構建方法 3 3 數據提取 3 4 數據處理 3 4 1 數據統計 3 4 2 數據標準化 3 4 3 數據離散化 3 5 特徵編碼 3 5 1 類別數據 3 5 2 時間數據 3 5 3 位置數據 3 5 4 文本數據 3 6 本章小結 第4章 構建個性化特徵標籤 4 1 喜歡度——衡量用戶感興趣的程度 4 2 新聞特徵標籤 4 2 1 基本特徵 4 2 2 類別特徵 4 2 3 內容特徵 4 2 4 趨勢特徵 4 2 5 新聞特徵向量 4 3 用戶特徵標籤 4 3 1 基本特徵 4 3 2 位置特徵 4 3 3 興趣偏好特徵 4 3 4 行為特徵 4 3 5 價值特徵 4 3 6 用戶特徵向量 4 4 特徵相似度計算 4 4 1 歐幾里得距離 4 4 2 曼哈頓距離 4 4 3 閔可夫斯基距離 4 4 4 馬氏距離 4 4 5 餘弦相似度 4 4 6 皮爾遜相關係數 4 4 7 傑卡德相關係數 4 4 8 代碼示例 4 5 本章小結 第5章 交叉組合構建新特徵 5 1 特徵組合 5 1 1 特徵拼接 5 1 2 笛卡兒構建 5 1 3 線性組合 5 1 4 多項式特徵 5 1 5 代碼示例 5 2 特徵選擇 5 2 1 方差選擇 5 2 2 相關選擇 5 2 3 卡方檢驗 5 2 4 主成分分析 5 2 5 樹模型選擇 5 2 6 代碼示例 5 3 本章小結 第3部分 召回篇 第6章 機器學習模型 6 1 機器學習的定義 6 1 1 有監督學習 6 1 2 無監督學習 6 2 數據集 6 2 1 常用公開數據集 6 2 2 在線構建數據集 6 2 3 數據集劃分 6 2 4 生成訓練集 6 3 模型訓練 6 4 模型保存 6 5 模型評價 6 5 1 分類模型評價 6 5 2 回歸模型評價 6 5 3 代碼示例 6 6 模型上線 6 7 本章小結 第7章 基於新聞熱度的推薦召回 7 1 新聞熱度 7 2 熱門推薦演算法 7 3 代碼示例 7 4 本章小結 第8章 基於內容的推薦召回 8 1 商品內容 8 2 KNN演算法模型 8 2 1 KNN發現 8 2 2 KNN演算法改進 8 3 代碼示例 8 4 本章小結 第9章 基於標籤的推薦召回 9 1 認識標籤 9 2 標籤推薦演算法 9 3 升級標籤推薦演算法 9 4 代碼示例 9 5 本章小結 第10章 協同過濾推薦召回 10 1 UserCF演算法 10 1 1 演算法原理 10 1 2 代碼示例 10 2 ItemCF演算法 10 2 1 演算法原理 10 2 2 代碼示例 10 3 本章小結 第11章 基於矩陣分解的推薦召回 11 1 數學知識 11 2 SVD推薦演算法 11 3 代碼示例 11 4 本章小結 第12章 基於LFM的推薦召回 12 1 LFM概述 12 2 LFM推薦演算法 12 3 代碼示例 12 4 本章小結 第13章 多路召回融合策略 13 1 多路召回策略 13 2 融合策略 13 2 1 順序融合 13 2 2 平均加權融合 13 2 3 加權融合 13 2 4 動態加權融合 13 3 代碼示例 13 4 本章小結 第4部分 排序篇 第14章 線性模型排序演算法 14 1 回歸模型 14 2 線性回歸模型 14 3 邏輯回歸模型 14 3 1 演算法模型 14 3 2 模型參數估計 14 3 3 代碼示例 14 4 本章小結 第15章 LR-GBDT模型排序演算法 15 1 CART決策樹 15 2 集成學習模型 15 2 1 Bagging演算法 15 2 2 Boosting演算法 15 2 3 Stacking演算法 15 3 GBDT模型 15 4 LR-GBDT模型 15 4 1 模型演算法推導 15 4 2 代碼示例 15 5 本章小結 第16章 深度學習模型排序演算法 16 1 神經元 16 2 ANN模型 16 3 模型訓練 16 3 1 正向傳遞 16 3 2 反向傳遞 16 4 模型優化 16 4 1 梯度優化演算法 16 4 2 Batch歸一化 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
