融合多源异构数据的推荐与检索

第1章绪论

第2章推荐与检索技术

第3章个性化推荐与检索

第4章基于传统机器学习的多源异构数据推荐模型

第5章基于深度学习的融合多源异构数据推荐

第6章 基于深度哈希图像·文本跨模态检索

第7章基于多模态数据的餐馆推荐系统的实现

第8章 总结与展望

参考文献

第1章绪论

本章介绍了解决信息过载问题常用的推荐与检索技术，描述了融合多源异构数据的推荐与检索所具有的优势和面临的挑战。

1.1推荐与检索

近年来，随着云计算、人工智能、计算机仿真、多媒体、物联网等信息技术在全球的飞速发展，互联网时代已正式到来。互联网时代的到来，既为传统行业带来了挑战，又催生了新兴产业，为新兴经济的发展带来了机遇。互联网已经与人们的生活息息相关，人们通过网络可以进行新闻阅读、网上购物、移动支付、在线教育等活动。一方面，人们享受着互联网带来的便利，能够便捷地从网络中获取丰富的信息；另一方面，大数据也带来了信息过载的问题。如何高效快速地为用户提供其真正需要的信息，如何从大量数据中挖掘出真正有价值的内容，是互联网发展过程中面临的重要挑战。

解决信息过载问题最常用的两种技术是：主动为用户推荐其感兴趣的内容的推荐引擎；用户搜索信息时为其提供更精准的搜索结果的搜索引擎。推荐引擎倾向于没有明确目标或目标模糊，通过用户的历史行为、用户的兴趣偏好或用户的人口统计学特征进行推荐，生成用户可能感兴趣的项目列表，用户比较被动。搜索引擎倾向于明确的搜索目标，可以将对信息的查询转换为精确的关键字，搜索后返回给用户搜索列表，用户可以对这些返回结果进行反馈，用户具有主动性。

1.1.1推荐

迄今为止，推荐系统已经发展了20多年。在应用领域方面，推荐系统不仅被应用在电子商务平台（亚马逊、阿里巴巴）为用户推荐物品，还被应用在了信息检索(Coogle、百度、Yahoo)、社交媒体（Twitter、微博）、音乐电台（网易云音乐、Apple Music）、视频网站等各种领域。在数据种类方面，随着移动设备和可穿戴设备的发展，网络中能够收集到的信息种类逐渐增多，除了数字信息外还可以收集到文本、图像、社交关系、声音、视频等各种异构数据。在评价指标方面，除了准确度和召回率，归一化折损累计增益、覆盖率等也常用来评估推荐结果的好坏。

尽管推荐算法随着应用场景的变换而不同，但提高准确率是所有推荐算法追求的目标。基于内容的推荐、协同过滤推荐、混合推荐是传统推荐算法中最主要的三类。其中，基于内容的推荐算法的关键是获取用户的兴趣偏好，在获得用户偏好后，此类算法为用户推荐与其偏好类似的物品。在协同过滤中，认为两个相似的用户对同一物品的打分是相近的，同一个用户对两个类似物品的打分也是相近的。混合推荐算法则是将不同推荐算法按照一定的策略融合，可以分为算法层面的融合和数据源层面的融合。传统的推荐算法大多存在推荐精度不高、特征提取困难等问题，为了解决这些问题，专家学者在推荐系统中引入了深度学习技术。尽管深度学习的引入能够提高推荐结果的准确性，但它也带来了计算复杂度增大、推荐结果可解释性差的问题。大多数推荐算法仅使用评分数据来为用户提供推荐，并没有充分利用互联网中收集到的各种如评论数据、社交网络信息等异构数据。

……

本书基于作者团队多年的研究成果，介绍了推荐和检索领域的最新发展、常用的技术和算法、以及作者团队所提出的融合多源异构数据的推荐模型、跨模态的检索模型，相关工作已在国内外权威期刊上发表，本书的内容反映了本领域的最新发展。