圖計算與推薦系統 劉宇 9787111736967 【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：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$630
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
| *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，以到貨標的為正確資訊。 印行年月：202312*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：圖計算與推薦系統 ISBN：9787111736967 出版社：機械工業 著編譯者：劉宇 頁數：218 所在地：中國大陸 *此為代購商品 書號：1597248 可大量預訂，請先連絡。 內容簡介 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餘年經驗的總結。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。作者簡介 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餘年開發經驗，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，參与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 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。 |
