推薦系統 第2版 劉宏志 吳中海 9787111757030 【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$350
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：202407*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 第2版 ISBN：9787111757030 出版社：機械工業 著編譯者：劉宏志 吳中海 頁數：239 所在地：中國大陸 *此為代購商品 書號：1658319 可大量預訂，請先連絡。 內容簡介 本書除了介紹推薦系統的一般框架、典型應用和評測方法外，還圖文並茂地介紹了各種典型推薦系統與演算法的思想、原理、設計、實現和應用場景。除了介紹基於協同過濾的推薦、基於內容的推薦、基於知識的推薦等經典推薦系統與演算法外，還介紹了基於排序學習的推薦、基於異質信息網路的推薦、基於圖神經網路的推薦等新型推薦系統與演算法。此外，為便於讀者快速入門並開展相關工程實踐，本書還提供了配套的講解視頻和實驗內容。 本書可作為計算機科學與技術、軟體工程、數據科學與大數據技術、人工智慧等專業高年級本科生和研究生的推薦系統、數據挖掘、人工智慧等相關課程的教材或參考書，也可作為從事推薦系統、搜索引擎、數據挖掘等研發工作相關人員的參考書。目錄 第2版前言第1版前言 第1章 概述 1 1 推薦系統簡介 1 1 1 信息超載 1 1 2 長尾效應 1 1 3 推薦系統的價值 1 2 推薦系統的發展歷史 1 3 典型應用場景 1 3 1 電商 1 3 2 新聞 1 3 3 音樂 1 4 推薦系統框架 1 4 1 用戶畫像 1 4 2 項目畫像 1 5 推薦演算法分類 1 5 1 基於演算法思想的分類 1 5 2 基於應用問題的分類 習題 第2章 基於鄰域的協同過濾 2 1 協同過濾簡介 2 1 1 基本思想 2 1 2 演算法分類 2 1 3 一般流程 2 2 基於用戶的協同過濾 2 2 1 Top-N推薦 2 2 2 評分預測 2 3 基於項目的協同過濾 2 3 1 Top-N推薦 2 3 2 評分預測 2 4 基於距離的相似度度量 2 5 鄰域的選取 2 6 Slope One演算法 2 7 基於二部圖的協同過濾 2 7 1 激活擴散模型 2 7 2 物質擴散模型 2 7 3 熱傳導模型 2 7 4 基於圖擴散的推薦系統 習題 第3章 基於模型的協同過濾 3 1 基於關聯規則的協同過濾 3 1 1 基本概念 3 1 2 關聯規則度量 3 1 3 Apriori關聯規則挖掘演算法 3 1 4 關聯規則的相關分析 3 1 5 基於關聯規則的推薦系統 3 2 基於矩陣分解的評分預測 3 2 1 奇異值分解 3 2 2 隱語義模型 3 2 3 概率矩陣分解 3 2 4 SVD++模型 3 3 基於矩陣分解的Top-N推薦 3 3 1 基於正樣本過採樣的矩陣分解 3 3 2 基於負樣本欠採樣的矩陣分解 習題 第4章 基於內容和知識的推薦 4 1 基於內容的推薦系統框架 4 2 基於詞向量空間模型的文本表示 4 2 1 詞袋模型 4 2 2 TF-IDF模型 4 2 3 模型改進 4 2 4 向量相似度度量 4 3 基於語義的內容相似度 4 3 1 基於本體的文本相似度 4 3 2 基於網路知識的文本相似度 4 3 3 基於語料庫的文本相似度 4 4 基於知識的推薦 4 4 1 基於約束的推薦 4 4 2 基於效用的推薦 4 4 3 基於實例的推薦 4 4 4 基於知識庫的推薦 習題 第5章 混合推薦系統 5 1 混合推薦實例——Netflix百萬美金公開賽 5 2 混合/組合推薦的動機 5 2 1 實踐經驗 5 2 2 理論依據 5 3 混合/組合方法分類 5 3 1 有監督組合和無監督組合 5 3 2 基推薦器間依賴關係 5 4 并行式混合推薦 5 4 1 加權式混合 5 4 2 切換式混合 5 4 3 排序混合 5 5 串列式混合推薦 5 5 1 級聯過濾 5 5 2 級聯學習 5 6 整體式混合推薦 5 6 1 特徵組合 5 6 2 特徵擴充 5 6 3 基於圖模型的混合 習題 第6章 推薦系統評測 6 1 評測視角 6 2 實驗方法 6 2 1 在線實驗 6 2 2 用戶調查 6 2 3 離線實驗 6 3 評分預測評價指標 6 3 1 MAE和MSE 6 3 2 RMSE、NMAE和NRMSE 6 4 Top-N推薦評價指標 6 4 1 分類準確度指標 6 4 2 ROC曲線和AUC值 6 4 3 基於排序的評價指標 6 4 4 其他常用評價指標 6 5 公開實驗數據集 習題 第7章 基於排序學習的推薦 7 1 排序學習模型分類 7 2 對級排序學習模型 7 2 1 基本框架 7 2 2 貝葉斯個性化排序 7 2 3 協同對級排序學習 7 3 列表級排序學習模型 7 3 1 P-Push CR演算法 7 3 2 CofiRank演算法 習題 第8章 基於情境感知的推薦 8 1 情境信息的定義 8 2 情境信息的獲取 8 3 基於情境感知的推薦系統框架 8 3 1 數據立方體 8 3 2 基於樹的層次信息表達 8 4 融合情境信息的推薦模型 8 4 1 情境預過濾 8 4 2 情境後過濾 8 5 情境建模 8 5 1 基於鄰域的方法 8 5 2 基於模型的方法 習題 第9章 基於時空信息的推薦 9 1 基於時間信息的推薦 9 1 1 最近最熱門推薦演算法 9 1 2 基於時間的項目協同過濾 9 1 3 基於時間的用戶協同過濾 9 1 4 基於會話的推薦 9 2 基於序列感知的推薦 9 2 1 基於馬爾可夫模型的序列預測 9 2 2 基於循環神經網路的序列預測 9 2 3 基於注意力機制的序列預測 9 3 基於空間信息的推薦 9 3 1 位置信息的獲取與推理 9 3 2 基於位置信息的推薦 9 3 3 融合其他信息的推薦 習題 第10章 基於社交關係的推薦 10 1 社交關係數據 10 2 基於鄰域的社交化推薦 10 2 1 基於用戶的協同過濾 10 2 2 基於圖擴散的推薦 10 3 基於模型的社交化推薦 10 3 1 基於潛在社交因子學習的推薦 10 3 2 基於顯式社交關係的推薦 10 4 基於社會曝光的協同過濾 習題 第11章 基於異質信息網路的推薦 11 1 基本概念 11 2 基於鄰域的HIN推薦演算法 11 2 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。 |
