机器学习:因子分解机模型与推荐系统
正版保障 假一赔十 可开发票
￥ 76.88 7.8折 ￥ 99 全新
库存8件
作者燕彩蓉，潘乔
出版社科学出版社
ISBN9787030601452
出版时间2020-06
装帧平装
开本其他
定价99元
货号28969587
上书时间2024-10-20
商品详情
- 品相描述：全新
- 商品描述
-
导语摘要
因子分解机模型因为能够有效解决高维数据特征组合的稀疏问题且具有较高的预测准确度和计算效率，在广告点击率预测和推荐系统领域被广泛研究和应用。本书对因子分解机模型及其相关模型的研究进展进行综述，阐述该模型的灵活性和普适性，对模型中有待深入研究的难点、热点及发展趋势进行展望。结合研究成果，进一步对该模型进行扩展，并将此扩展后的模型应用于时尚电商领域的推荐任务。提出大数据环境下时尚电商推荐系统框架、研究内容、关键问题，以及可以采用的相关技术，*后通过一个实例验证方案的可行性。
商品简介因子分解机模型因为能够有效解决高维数据特征组合的稀疏问题且具有较高的预测准确度和计算效率，在广告点击率预测和推荐系统领域被广泛研究和应用。本书对因子分解机模型及其相关模型的研究进展进行综述，阐述该模型的灵活性和普适性，对模型中有待深入研究的难点、热点及发展趋势进行展望。结合研究成果，进一步对该模型进行扩展，并将此扩展后的模型应用于时尚电商领域的推荐任务。提出大数据环境下时尚电商推荐系统框架、研究内容、关键问题，以及可以采用的相关技术，*后通过一个实例验证方案的可行性。
目录
前言
第1章绪论1
1.1预测和推荐问题描述1
1.2研究意义3
1.3国内外研究现状及发展动态4
1.3.1数据稀疏性和冷启动问题5
1.3.2用户偏好和物品流行度动态建模6
1.3.3大数据处理和模型的扩展性7
1.3.4多样性和准确性平衡问题8
1.4本书组织结构9
第2章FM模型及其扩展12
2.1逻辑回归模型12
2.2基于因子分解的多项式回归模型13
2.3FM模型14
2.4FM模型与矩阵分解模型的转化15
2.4.1矩阵分解模型15
2.4.2FM模型转化为矩阵分解模型16
2.5FM模型的高阶扩展17
2.6FM模型的场交互扩展18
2.7FM模型的层次交互扩展19
2.8FM模型与其他模型的集成20
2.9本章小结22
笫3章特征工程及其对FM模型的影响23
3.1属性、特征、特征向量和数据集23
3.2特征工程24
3.3特征的来源25
3.4FM模型相关研究中的特征工程27
3.5FM模型的应用领域30
3.6本章小结32
第4章模型训练方法33
4.1预测和推荐模型的目标优化33
4.2模型训练方式34
4.2.1拟牛顿法34
4.2.2SGD系列算法35
4.2.3Gibbs采样算法37
4.3激活函数38
4.4过拟合问题39
4.4.1正则化方式40
4.4.2批规范化41
4.4.3Dropout及相关优化方法42
4.5本章小结44
第5章智能化场感知分解机45
5.1算法改进思路45
5.2iFFM模型46
5.3多样性处理48
5.3.1热扩散算法48
5.3.2两个模型的集成50
5.4实验结果与分析50
5.4.1实验环境50
5.4.2实验结果51
5.5本章小结54
第6章广义场感知分解机55
6.1模型改进思路55
6.2咐间因子57
6.3动态模型构建58
6.4GFFM模型评价60
6.4.1实验设置60
6.4.2实验结果及分析62
6.5本章小结64
第7章FM模型与深度学习模型的集成65
7.1FNN模型65
7.2Wide&Deep模型66
7.3Deep&Cross模型67
7.4DeepFM模型68
7.5NFM与AFM模型68
7.6宽度和深度学习模型集成方式分析69
7.7本章小结70
第8章基于稠密网络的广义场感知分解机71
8.1ResNet和DenseNet71
8.2DGFFM模型73
8.2.1Wide&Deep结构73
8.2.2FNN结构74
8.3DGFFM模型评价75
8.3.1实验设置75
8.3.2实验结果及分析75
8.4本章小结76
第9章FM模型实现库及并行化处理77
9.1libFM一77
9.1.1libFM中核心类之间的关系77
9.1.2fm一learn类代码解析78
9.2FM的其他实现库83
9.2.1libFFM83
9.2.2fastFM83
9.3FM模型的其他优化方法83
9.4FM模型的并行实现84
9.5本章小结87
第10章时尚电商领域的推荐系统研究88
10.1深度学习为时尚推荐研究带来新思路88
10.2大数据环境下时尚电商推荐系统框架及面临的问题89
10.3融合视觉特征的推荐系统研究内容90
10.3.1融合非视觉属性与视觉特征及其时空动态性的推荐模型研究91
10.3.2面向大规模数据的并行化模型训练算法与技术研究92
10.3.3在线推荐引擎研究92
10.4关键问题93
10.4.1基于视觉特征的时空动态建模93
10.4.2模型训练的优化问题93
10.4.3推荐引擎的实时处理93
10.5相关技术94
10.5.1基于深度卷积神经网络的视觉特征提取方法94
10.5.2基于iFFM模型的非视觉属性建模95
10.5.3基于VBPR的视觉特征建模96
10.5.4基于马尔可夫链的时间序列预测96
10.5.5基于SGD算法的模型训练方法97
10.5.6基于TensorFlow的并行算法实现98
10.6本章小结98
第11章一个N-阶段购买决策模型100
11.1研究背景100
11.2特征处理与Wide&Deepplus框架101
11.3NSPD模型及其优化102
11.4实验与结果评价105
11.4.1数据集105
11.4.2评价指标106
11.4.3算法实现106
11.4.4实验结果106
11.5本章小结108
参考文献109
内容摘要因子分解机模型因为能够有效解决高维数据特征组合的稀疏问题且具有较高的预测准确度和计算效率，在广告点击率预测和推荐系统领域被广泛研究和应用。本书对因子分解机模型及其相关模型的研究进展进行综述，阐述该模型的灵活性和普适性，对模型中有待深入研究的难点、热点及发展趋势进行展望。结合研究成果，进一步对该模型进行扩展，并将此扩展后的模型应用于时尚电商领域的推荐任务。提出大数据环境下时尚电商推荐系统框架、研究内容、关键问题，以及可以采用的相关技术，*后通过一个实例验证方案的可行性。
相关推荐
-
机器学习：因子分解机模型与推荐系统
全新广州
￥ 62.19
-
机器学习：因子分解机模型与推荐系统
全新广州
￥ 62.19
-
机器学习：因子分解机模型与推荐系统
全新广州
￥ 64.19
-
机器学习：因子分解机模型与推荐系统
八五品邯郸
￥ 59.90
-
机器学习：因子分解机模型与推荐系统
全新广州
￥ 64.19
-
机器学习:因子分解机模型与推荐系统
全新南京
￥ 71.28
-
机器学习：因子分解机模型与推荐系统
全新南昌
￥ 67.53
-
机器学习：因子分解机模型与推荐系统
全新成都
￥ 74.20
-
机器学习：因子分解机模型与推荐系统
全新北京
￥ 70.19
-
机器学习：因子分解机模型与推荐系统
全新天津
￥ 62.89
— 没有更多了 —
以下为对购买帮助不大的评价