智能推荐技术
出版时间:
2022-04
版次:
1
ISBN:
9787302600107
定价:
69.80
装帧:
其他
开本:
16开
纸张:
胶版纸
8人买过
-
本书围绕电商、资讯等众多实际应用背后的内核,即智能推荐技术,系统介绍经典和前沿技术,包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。 本书围绕用户行为数据的建模问题组织内容,全书共分6部分: 第1部分(第1章)为背景和基础; 第2部分(第2~4章)为单行为推荐,是指仅对一种显式反馈(如评分)或一种隐式反馈(如浏览)数据进行建模; 第3部分(第5~6章)为多行为推荐,是指同时考虑浏览和购买等包含多种行为的数据; 第4部分(第7~8章)为序列推荐,是指同时关注用户行为和这些行为的先后顺序; 第5部分(第9~10章)为联邦推荐,更加关注用户行为中的隐私和数据安全问题; 第6部分(第11章)为总结与展望。全书综合梳理了多个智能推荐问题和相关技术,分析了方法的优缺点和内在联系,并在每章结束时提供了详细的参考文献和有针对性的习题。 本书可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材,也可以作为推荐系统工程师的参考手册。 第1章概述
1.1推荐技术简介
1.2推荐问题分类
1.3数学基础知识
1.3.1线性代数
1.3.2概率论
1.3.3神经网络中的激活函数
1.4常用数据集和验证方法
1.4.1常用数据集
1.4.2验证方法
1.5常用评价指标
1.5.1面向评分预测的评价指标
1.5.2面向物品排序的评价指标
1.6深度学习平台简介
1.7本章小结
1.8参考文献
1.9习题
第2章基于显式反馈的评分预测
2.1协同过滤(CF)问题
2.2基于均值填充的方法
2.2.1预测公式
2.2.2讨论
2.3基于邻域的方法
2.3.1基于用户的协同过滤
2.3.2基于物品的协同过滤
2.3.3混合协同过滤
2.3.4讨论
2.4基于矩阵分解的方法
2.4.1概率矩阵分解
2.4.2改进的奇异值分解
2.4.3结合多类偏好上下文的矩阵分解
2.4.4因子分解机
2.5基于深度学习的方法
2.5.1受限玻尔兹曼机
2.5.2自编码器
2.6本章小结
2.7参考文献
2.8习题
第3章基于显式反馈的物品排序
3.1协同排序(CR)问题
3.2粗精迁移排序
3.2.1模型介绍
3.2.2算法流程
3.2.3代码实现
3.2.4实验设置
3.2.5讨论
3.3上下文感知协同排序
3.3.1模型介绍
3.3.2算法流程
3.3.3代码实现
3.3.4实验设置
3.3.5讨论
3.4整全迁移排序
3.4.1模型介绍
3.4.2基于模型的整全迁移排序
3.4.3基于邻域的整全迁移排序
3.4.4代码实现
3.4.5实验设置
3.4.6讨论
3.5本章小结
3.6参考文献
3.7习题
第4章基于隐式反馈的物品排序
4.1单类协同过滤(OCCF)问题
4.2基于热度的方法
4.3基于邻域的方法
4.3.1相似度度量
4.3.2预测公式
4.4基于矩阵分解的方法
4.4.1贝叶斯个性化排序
4.4.2分解的物品相似度
4.4.3基于对数几率损失的矩阵分解
4.4.4基于元素的交替小二乘
4.5基于深度学习的方法
4.5.1神经协同过滤
4.5.2协同降噪自编码器
4.5.3变分自编码器
4.6本章小结
4.7参考文献
4.8习题
第5章基于异构反馈的评分预测
5.1异构协同过滤(HCF)问题
5.2迁移共同分解
5.2.1技术细节
5.2.2算法流程
5.2.3代码实现
5.2.4实验设置
5.2.5讨论
5.3偏好感知迁移
5.3.1技术细节
5.3.2算法流程
5.3.3代码实现
5.3.4实验设置
5.3.5讨论
5.4本章小结
5.5参考文献
5.6习题
第6章基于异构反馈的物品排序
6.1异构单类协同过滤(HOCCF)问题
6.2基于全量的异构反馈建模
6.2.1技术细节
6.2.2算法流程
6.2.3代码实现
6.2.4实验设置
6.2.5讨论
6.3基于角色的异构反馈建模
6.3.1技术细节
6.3.2算法流程
6.3.3代码实现
6.3.4实验设置
6.3.5讨论
6.4基于关系的异构反馈建模
6.4.1技术细节
6.4.2代码实现
6.4.3实验设置
6.4.4讨论
6.5其他异构反馈建模方法
6.5.1基于矩阵分解的方法
6.5.2基于迁移学习的方法
6.5.3基于深度学习的方法
6.6本章小结
6.7参考文献
6.8习题
第7章单行为序列推荐
7.1序列单类协同过滤(SOCCF)问题
7.2基于分解马尔可夫链的FPMC算法
7.2.1预测公式和优化目标
7.2.2梯度、更新公式和算法流程
7.2.3实验设置
7.2.4讨论
7.3基于分解高阶马尔可夫链的Fossil算法
7.3.1预测公式和优化目标
7.3.2梯度、更新公式和算法流程
7.3.3实验设置
7.3.4讨论
7.4基于双向物品相似度的BIS算法
7.4.1BIS算法的原理
7.4.2BIS算法的实现
7.4.3讨论
7.5基于循环神经网络的GRU4Rec算法
7.5.1GRU4Rec算法的原理
7.5.2GRU4Rec算法的实现
7.5.3讨论
7.6基于卷积神经网络的Caser算法
7.6.1Caser算法的原理
7.6.2Caser算法的实现
7.6.3讨论
7.7基于自注意力网络的SASRec算法
7.7.1SASRec算法的原理
7.7.2SASRec算法的实现
7.7.3讨论
7.8基于平移空间的TransRec算法
7.8.1预测公式与优化目标
7.8.2梯度、更新公式与算法流程
7.8.3实验设置
7.8.4讨论
7.9本章小结
7.10参考文献
7.11习题
第8章多行为序列推荐
8.1序列异构单类协同过滤(SHOCCF)问题
8.2基于循环神经网络的方法
8.2.1RLBL算法
8.2.2RIB算法
8.2.3BINN算法
8.2.4讨论
8.3基于图神经网络的方法
8.3.1MSR算法
8.3.2MGNNSPred算法
8.3.3讨论
8.4本章小结
8.5参考文献
8.6习题
第9章跨用户联邦推荐
9.1跨用户联邦推荐(CUFR)问题
9.2隐私敏感的评分预测
9.2.1FedRec算法
9.2.2FedRec 算法
9.2.3SFSL算法
9.3隐私敏感的物品排序
9.3.1FCF算法
9.3.2PIOCCF算法
9.4本章小结
9.5参考文献
9.6习题
第10章跨组织联邦推荐
10.1跨组织联邦推荐(COFR)问题
10.2共同矩阵分解
10.2.1技术细节
10.2.2讨论
10.3联邦矩阵分解
10.3.1技术细节
10.3.2讨论
10.4联邦共同矩阵分解
10.4.1技术细节
10.4.2算法流程
10.4.3讨论
10.5本章小结
10.6参考文献
10.7习题
第11章总结与展望
11.1总结
11.2展望
11.3参考文献
11.4习题
附录A学术期刊论文数量统计
附录B学术会议论文数量统计
附录C推荐系统国际会议研究话题
附录D推荐系统国际会议研讨会主题
附录E中英文术语对照表
后记
致谢
-
内容简介:
本书围绕电商、资讯等众多实际应用背后的内核,即智能推荐技术,系统介绍经典和前沿技术,包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。 本书围绕用户行为数据的建模问题组织内容,全书共分6部分: 第1部分(第1章)为背景和基础; 第2部分(第2~4章)为单行为推荐,是指仅对一种显式反馈(如评分)或一种隐式反馈(如浏览)数据进行建模; 第3部分(第5~6章)为多行为推荐,是指同时考虑浏览和购买等包含多种行为的数据; 第4部分(第7~8章)为序列推荐,是指同时关注用户行为和这些行为的先后顺序; 第5部分(第9~10章)为联邦推荐,更加关注用户行为中的隐私和数据安全问题; 第6部分(第11章)为总结与展望。全书综合梳理了多个智能推荐问题和相关技术,分析了方法的优缺点和内在联系,并在每章结束时提供了详细的参考文献和有针对性的习题。 本书可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材,也可以作为推荐系统工程师的参考手册。
-
目录:
第1章概述
1.1推荐技术简介
1.2推荐问题分类
1.3数学基础知识
1.3.1线性代数
1.3.2概率论
1.3.3神经网络中的激活函数
1.4常用数据集和验证方法
1.4.1常用数据集
1.4.2验证方法
1.5常用评价指标
1.5.1面向评分预测的评价指标
1.5.2面向物品排序的评价指标
1.6深度学习平台简介
1.7本章小结
1.8参考文献
1.9习题
第2章基于显式反馈的评分预测
2.1协同过滤(CF)问题
2.2基于均值填充的方法
2.2.1预测公式
2.2.2讨论
2.3基于邻域的方法
2.3.1基于用户的协同过滤
2.3.2基于物品的协同过滤
2.3.3混合协同过滤
2.3.4讨论
2.4基于矩阵分解的方法
2.4.1概率矩阵分解
2.4.2改进的奇异值分解
2.4.3结合多类偏好上下文的矩阵分解
2.4.4因子分解机
2.5基于深度学习的方法
2.5.1受限玻尔兹曼机
2.5.2自编码器
2.6本章小结
2.7参考文献
2.8习题
第3章基于显式反馈的物品排序
3.1协同排序(CR)问题
3.2粗精迁移排序
3.2.1模型介绍
3.2.2算法流程
3.2.3代码实现
3.2.4实验设置
3.2.5讨论
3.3上下文感知协同排序
3.3.1模型介绍
3.3.2算法流程
3.3.3代码实现
3.3.4实验设置
3.3.5讨论
3.4整全迁移排序
3.4.1模型介绍
3.4.2基于模型的整全迁移排序
3.4.3基于邻域的整全迁移排序
3.4.4代码实现
3.4.5实验设置
3.4.6讨论
3.5本章小结
3.6参考文献
3.7习题
第4章基于隐式反馈的物品排序
4.1单类协同过滤(OCCF)问题
4.2基于热度的方法
4.3基于邻域的方法
4.3.1相似度度量
4.3.2预测公式
4.4基于矩阵分解的方法
4.4.1贝叶斯个性化排序
4.4.2分解的物品相似度
4.4.3基于对数几率损失的矩阵分解
4.4.4基于元素的交替小二乘
4.5基于深度学习的方法
4.5.1神经协同过滤
4.5.2协同降噪自编码器
4.5.3变分自编码器
4.6本章小结
4.7参考文献
4.8习题
第5章基于异构反馈的评分预测
5.1异构协同过滤(HCF)问题
5.2迁移共同分解
5.2.1技术细节
5.2.2算法流程
5.2.3代码实现
5.2.4实验设置
5.2.5讨论
5.3偏好感知迁移
5.3.1技术细节
5.3.2算法流程
5.3.3代码实现
5.3.4实验设置
5.3.5讨论
5.4本章小结
5.5参考文献
5.6习题
第6章基于异构反馈的物品排序
6.1异构单类协同过滤(HOCCF)问题
6.2基于全量的异构反馈建模
6.2.1技术细节
6.2.2算法流程
6.2.3代码实现
6.2.4实验设置
6.2.5讨论
6.3基于角色的异构反馈建模
6.3.1技术细节
6.3.2算法流程
6.3.3代码实现
6.3.4实验设置
6.3.5讨论
6.4基于关系的异构反馈建模
6.4.1技术细节
6.4.2代码实现
6.4.3实验设置
6.4.4讨论
6.5其他异构反馈建模方法
6.5.1基于矩阵分解的方法
6.5.2基于迁移学习的方法
6.5.3基于深度学习的方法
6.6本章小结
6.7参考文献
6.8习题
第7章单行为序列推荐
7.1序列单类协同过滤(SOCCF)问题
7.2基于分解马尔可夫链的FPMC算法
7.2.1预测公式和优化目标
7.2.2梯度、更新公式和算法流程
7.2.3实验设置
7.2.4讨论
7.3基于分解高阶马尔可夫链的Fossil算法
7.3.1预测公式和优化目标
7.3.2梯度、更新公式和算法流程
7.3.3实验设置
7.3.4讨论
7.4基于双向物品相似度的BIS算法
7.4.1BIS算法的原理
7.4.2BIS算法的实现
7.4.3讨论
7.5基于循环神经网络的GRU4Rec算法
7.5.1GRU4Rec算法的原理
7.5.2GRU4Rec算法的实现
7.5.3讨论
7.6基于卷积神经网络的Caser算法
7.6.1Caser算法的原理
7.6.2Caser算法的实现
7.6.3讨论
7.7基于自注意力网络的SASRec算法
7.7.1SASRec算法的原理
7.7.2SASRec算法的实现
7.7.3讨论
7.8基于平移空间的TransRec算法
7.8.1预测公式与优化目标
7.8.2梯度、更新公式与算法流程
7.8.3实验设置
7.8.4讨论
7.9本章小结
7.10参考文献
7.11习题
第8章多行为序列推荐
8.1序列异构单类协同过滤(SHOCCF)问题
8.2基于循环神经网络的方法
8.2.1RLBL算法
8.2.2RIB算法
8.2.3BINN算法
8.2.4讨论
8.3基于图神经网络的方法
8.3.1MSR算法
8.3.2MGNNSPred算法
8.3.3讨论
8.4本章小结
8.5参考文献
8.6习题
第9章跨用户联邦推荐
9.1跨用户联邦推荐(CUFR)问题
9.2隐私敏感的评分预测
9.2.1FedRec算法
9.2.2FedRec 算法
9.2.3SFSL算法
9.3隐私敏感的物品排序
9.3.1FCF算法
9.3.2PIOCCF算法
9.4本章小结
9.5参考文献
9.6习题
第10章跨组织联邦推荐
10.1跨组织联邦推荐(COFR)问题
10.2共同矩阵分解
10.2.1技术细节
10.2.2讨论
10.3联邦矩阵分解
10.3.1技术细节
10.3.2讨论
10.4联邦共同矩阵分解
10.4.1技术细节
10.4.2算法流程
10.4.3讨论
10.5本章小结
10.6参考文献
10.7习题
第11章总结与展望
11.1总结
11.2展望
11.3参考文献
11.4习题
附录A学术期刊论文数量统计
附录B学术会议论文数量统计
附录C推荐系统国际会议研究话题
附录D推荐系统国际会议研讨会主题
附录E中英文术语对照表
后记
致谢
查看详情
-
智能*技术
9787302600107正版书 【未翻阅】内页干净
九五品
河北省保定市
平均发货25小时
成功完成率80.08%
-
全新
河北省保定市
平均发货18小时
成功完成率91.93%
-
智能推荐技术
软硬件技术 不同于其他推荐算法书籍,《智能推荐技术》重点介绍了与推荐系统中用户行为建模相关的问题定义、数学原理、算法实现和应用实践,并深入探讨了众多经典和前沿的相关技术,可为相关领域的学生、学者和从业人员提供参考,是一本值得收藏的工具书。 新华书店全新正版书籍
全新
江苏省无锡市
平均发货8小时
成功完成率96.08%
-
全新
江苏省南京市
平均发货5小时
成功完成率98.39%
-
全新
河北省保定市
平均发货33小时
成功完成率86.97%
-
全新
北京市房山区
平均发货14小时
成功完成率88.6%
-
全新
山东省泰安市
平均发货25小时
成功完成率90.99%
-
全新
山东省泰安市
平均发货18小时
成功完成率92.35%
-
全新
江苏省无锡市
平均发货6小时
成功完成率96.7%
-
全新
四川省成都市
平均发货52小时
成功完成率85.22%
-
九五品
河北省保定市
平均发货21小时
成功完成率84.9%
-
九五品
江苏省无锡市
平均发货20小时
成功完成率84.3%
-
全新
河北省保定市
平均发货27小时
成功完成率83.78%
-
全新
河北省保定市
平均发货25小时
成功完成率81.94%
-
全新
河北省保定市
平均发货23小时
成功完成率80.9%
-
全新
山东省泰安市
平均发货23小时
成功完成率86.76%
-
全新
河北省保定市
平均发货27小时
成功完成率86.66%
-
全新
河北省保定市
平均发货25小时
成功完成率93.08%
-
九五品
河北省保定市
平均发货25小时
成功完成率87.21%
-
全新
河北省保定市
平均发货25小时
成功完成率91.94%
-
2
全新
河北省保定市
平均发货26小时
成功完成率90.49%
-
智能推荐技术
重要提醒:::重要提醒::所有图书保证正版,按书名发货图片仅供参考, 有疑问请咨询客服,看清书名按书名发货
全新
北京市通州区
平均发货10小时
成功完成率91.6%
-
全新
北京市海淀区
平均发货16小时
成功完成率88.6%
-
10
智能技术 软硬件技术 潘微科,林晶,明仲
不同于其他算法书籍,《智能技术》重点介绍了与系统中用户行为建模相关的问题定义、数学、算法实现和应用实践,并深入探讨了众多经典和前沿的相关技术,可为相关领域的、学者和从业人员提供参
全新
北京市丰台区
平均发货29小时
成功完成率86.34%
-
全新
河北省保定市
平均发货28小时
成功完成率89.81%
-
智能推荐技术
正版品相完好,套书和多封面版本咨询客服后再下单
九品
北京市东城区
平均发货25小时
成功完成率89.19%
-
全新
河北省保定市
平均发货29小时
成功完成率91.01%
-
九五品
江苏省无锡市
平均发货20小时
成功完成率84.3%
-
智能推荐技术
正版现货,品相完整,套书只发一本,多版面书籍只对书名
九品
北京市昌平区
平均发货23小时
成功完成率88.73%
-
全新
河北省保定市
平均发货29小时
成功完成率89.09%
-
全新
北京市丰台区
平均发货7小时
成功完成率93.09%
-
全新
广东省广州市
平均发货10小时
成功完成率94.98%
-
全新
北京市通州区
平均发货9小时
成功完成率89.04%
-
全新
河北省廊坊市
平均发货15小时
成功完成率90.87%
-
全新
河北省保定市
平均发货28小时
成功完成率90.45%
-
全新
山东省泰安市
平均发货25小时
成功完成率70.94%
-
全新
山东省泰安市
平均发货7小时
成功完成率78.13%
-
智能~技术
正版图书,放心下单,请核对以书号和标题书名为准
全新
河北省保定市
平均发货21小时
成功完成率87.79%
-
全新
山东省泰安市
平均发货22小时
成功完成率90.82%
-
全新
北京市海淀区
平均发货8小时
成功完成率94.36%
-
2
全新
江苏省无锡市
平均发货10小时
成功完成率96.74%
-
智能技术
按标题名购买,批量下载图片有时不对应,多本图片为其中一本,有问题请联系客服。
全新
河北省保定市
平均发货28小时
成功完成率89.22%
-
全新
河北省保定市
平均发货15小时
成功完成率92.6%
-
全新
江苏省南京市
平均发货14小时
成功完成率84.28%
-
2
全新
河北省保定市
平均发货27小时
成功完成率89.66%
-
全新
天津市津南区
平均发货13小时
成功完成率85.34%
-
全新
北京市通州区
平均发货11小时
成功完成率96.19%
-
全新
北京市通州区
平均发货12小时
成功完成率96.84%
-
9
九五品
陕西省西安市
平均发货18小时
成功完成率80.6%
-
全新
北京市海淀区
平均发货16小时
成功完成率95.82%