统计推荐系统
正版新书 新华官方库房直发 可开电子发票
￥ 56.97 6.4折 ￥ 89 全新
库存2件
作者[美] 迪帕克·K. 阿加瓦尔（Deepak K. Agarwal） 陈必衷
出版社机械工业出版社
ISBN9787111635734
出版时间2018-03
版次1
装帧平装
开本16开
纸张胶版纸
页数220页
字数0.16千字
定价89元
货号SC:9787111635734
上书时间2024-09-17
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
---作者简介---迪帕克·K. 阿加瓦尔（Deepak K. Agarwal） LinkedIn公司副总裁，领导人工智能/机器学习团队的研发工作。之前曾任Yahoo!研究院研究主管和首席研究员，以及AT&T公司研究员。20多年来，他致力于为Web应用开发、部署机器学习和统计方法，以及解决推荐系统和计算广告领域的大数据问题。陈必衷（Bee-Chung Chen） LinkedIn公司首席主任工程师、应用研究员，曾任Yahoo!研究院研究员。作为核心开发者，他为LinkedIn和Yahoo!设计了前沿的推荐算法，此外，他还关注数据挖掘、机器学习和大数据分析技术。---译者简介---戴薇 深圳大学计算机与软件学院研究生，主要研究方向为迁移学习、推荐系统和机器学习。潘微科 深圳大学计算机与软件学院副教授，主要研究方向为迁移学习和推荐系统。 明仲 深圳大学计算机与软件学院院长、教授，大数据系统计算技术国家工程实验室执行主任，主要研究方向为人工智能、软件工程和推荐系统。
精彩内容:
这本书讲什么推荐系统是一类自动化的计算机程序，能够在不同场景下将物品和用户进行匹配。推荐系统无处不在，已然成为我们日常生活的一部分。例如，亚马逊购物网站上的产品推荐，雅虎上的内容推荐，Netflix上的电影推荐，领英上的工作推荐等。匹配算法的构建需要用到大量高频数据，它们来源于用户与物品的历史交互行为。从本质上来看，推荐算法属于统计学范畴，在序贯决策过程、高维类别数据的建模以及开发可伸缩的统计方法等领域都面临着挑战。在推荐系统领域，算法的推陈出新依赖于计算机科学家、机器学习专家、统计学家、优化专家、系统专家，当然还有领域专家之间的密切合作。可以说，推荐系统是大数据领域最振奋人心的应用之一。我们为什么写这本书虽然计算机科学、机器学习和统计学等领域已有大量关于推荐系统的书籍，但它们仅针对问题的某些特定方面，没有综合考虑所有的统计问题，也没有分析这些统计问题是如何相互关联的。而我们也是在雅虎和领英部署推荐系统时才意识到这个问题，例如，统计学和机器学习的重点在于最小化样本外的预测误差，但达成这个目标并不意味着实践中的所有重要问题都得到了解决。从统计学意义上来说，推荐系统是一个高维序贯过程，研究实验设计类问题与开发精密的统计模型一样重要。事实上，这两者关系密切，高效的实验设计需要借助模型克服维数灾难。此外，大多数现有工作倾向于对单一反馈建模，例如电影评分、购买和点击率。但随着Facebook、领英和推特等社交媒体的兴起，多种反馈随之而来，例如，一个新闻推荐应用可能需要同时对用户的点击率、分享率和发文率这三类数据建模。这种面向多种反馈的建模是很有挑战性的。最后的问题是，即便我们获得了能够实现这种多变量预测的方法，又该如何构建效用函数去完成推荐呢？优化分享率比优化点击率更重要吗？关于这些问题的解答，我们可以与多目标优化领域的专家密切合作，利用多目标优化来获得一些效用参数。本书的目的是对推
...
内容简介:
本书由LinkedIn公司的技术专家撰写，着眼于推荐系统的核心—统计方法，不仅讲解理论知识，而且分享了作者在LinkedIn和Yahoo!的实践经验。全书分为三部分：第一部分介绍推荐系统的组成、经典推荐方法及评估方法，并引出了探索与利用问题；第二部分围绕点击通过率（CTR）预估这一重要问题，重点介绍快速在线双线性因子模型和面向回归的隐因子模型，为热门推荐和个性化推荐提供解决方案；第三部分讨论进阶主题，涵盖分解的隐含狄利克雷分布模型、张量分解模型、层次收缩模型以及多目标优化方法。
目录:
出版者的话译者序前言第一部分 基础知识第1章 简介21.1 面向网络应用的推荐系统概述31.1.1 算法31.1.2 优化指标51.1.3 探索与利用之间的权衡51.1.4 推荐系统的评估51.1.5 推荐和搜索：推送与拉取61.2 一个简单的评分模型：热门推荐71.3 练习10第2章 经典推荐方法112.1 物品特征112.1.1 分类122.1.2 词袋模型132.1.3 主题建模152.1.4 其他物品特征162.2 用户特征162.2.1 声明的个人信息172.2.2 基于内容的画像172.2.3 其他用户特征182.3 基于特征的方法182.3.1 无监督方法182.3.2 有监督方法192.3.3 上下文信息222.4 协同过滤222.4.1 基于用户-用户相似度的方法232.4.2 基于物品-物品相似度的方法242.4.3 矩阵分解242.5 混合方法272.6 小结282.7 练习28第3章 面向推荐问题的探索与利用293.1 探索与利用之间的权
...
— 没有更多了 —
以下为对购买帮助不大的评价