推薦系統-核心技術,演算法與開發實戰 張百珂 9787113311148 【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：中國鐵道有限公司
物品所在地：中國大陸
原出版社：中國鐵道有限公司
NT$508
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：202405*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：推薦系統-核心技術,演算法與開發實戰 ISBN：9787113311148 出版社：中國鐵道有限公司 著編譯者：張百珂 頁數：258 所在地：中國大陸 *此為代購商品 書號：1638151 可大量預訂，請先連絡。 內容簡介 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。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 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。 |
