机器学习算法实践
￥ 10.9 1.6折 ￥ 69 九五品
仅1件
作者王建芳
出版社清华大学出版社
ISBN9787302507833
出版时间2018-11
版次1
装帧平装
开本16开
纸张胶版纸
页数194页
字数99999千字
定价69元
上书时间2024-12-13
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:机器学习算法实践
定价：69元
作者:王建芳
出版社：清华大学出版社
出版日期：2018-11-01
ISBN：9787302507833
字数：270000
页码：194
版次：1
装帧：平装
开本：16开
商品重量：
编辑推荐
推荐系统发展到现在产生了许多具有广泛影响力的算法模型，经典的算法是协同过滤算法，其易于实现，因而具有广泛的实用价值，但它也存在着算法复杂度高和推荐精度低的问题。《机器学习算法实践——推荐系统的协同过滤理论及其应用》提出了一系列改进协同过滤推荐质量的方法，并将相关算法应用到实际生活中，开发出一个原型系统。
内容提要
个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。
目录
目录 篇基 础 理 论 章理论入门 1．1引言 1．2推荐系统的形式化定义 1．3基于近邻的协同过滤推荐算法 1．3．1余弦相似度 1．3．2修正余弦相似度 1．3．3Pearson相似度 1．3．4Jaccard相似度 1．4基于用户兴趣的推荐算法 1．5基于模型的协同过滤推荐算法 1．5．1矩阵分解模型 1．5．2交替最小二乘 1．5．3概率矩阵分解 1．5．4非负矩阵分解 1．6基于信任的协同过滤推荐算法 1．7推荐系统现存问题 1．7．1冷启动 1．7．2数据稀疏性 1．7．3可扩展性 1．7．4用户兴趣漂移 1．8评测指标 本章小结 参考文献 第二篇基于时序的协同过滤推荐算法 第2章基于巴式系数改进相似度的协同过滤推荐算法 2．1引言 2．2相关工作 2．2．1余弦相似度 2．2．2调整余弦相似度 2．2．3Pearson相关系数 2．2．4Jaccard相似度 2．3一种巴氏系数改进相似度的协同过滤推荐算法 2．3．1巴氏系数 2．3．2巴氏系数相似度 2．3．3BCCF算法描述 2．4实验与分析 2．4．1数据集 2．4．2评价标准 2．4．3实验结果与分析 本章小结 参考文献 第3章基于用户兴趣和项目属性的协同过滤推荐算法 3．1引言 3．2相关工作 3．3基于用户兴趣和项目属性的协同过滤推荐算法 3．3．1基于时间的用户兴趣度权重 3．3．2改进相似度计算 3．3．3加权预测评分 3．3．4算法步骤 3．4实验结果与分析 3．4．1数据集 3．4．2评价标准 3．4．3结果分析 本章小结 参考文献 第三篇基于矩阵分解的协同过滤推荐算法 第4章SVD和信任因子相结合的协同过滤推荐算法 4．1引言 4．2标注和相关工作 4．2．1标注 4．2．2奇异值分解 4．2．3计算相似度 4．3SVD和信任因子相结合的协同过滤推荐算法 4．3．1项目特征空间 4．3．2两阶段k近邻选择 4．3．3信任因子 4．3．4预测评分 4．3．5算法 4．4实验结果与分析 4．4．1数据集和实验环境 4．4．2评价标准 4．4．3实验结果分析 本章小结 参考文献 第5章相似度填充的概率矩阵分解的协同过滤推荐算法 5．1引言 5．2相关工作 5．2．1协同过滤推荐算法 5．2．2概率矩阵分解技术 5．3CFPFCF算法 5．3．1算法设计思想 5．3．2CFPFCF算法的描述 5．4实验分析 5．4．1数据集与误差标准 5．4．2实验结果与性能比较 本章小结 参考文献 第6章基于偏置信息的改进概率矩阵分解算法研究 6．1引言 6．2相关工作 6．2．1矩阵分解模型 6．2．2Baseline预测 6．3算法流程 6．4实验分析 6．4．1实验所用数据集 6．4．2实验环境配置 6．4．3实验评价标准 6．4．4实验结果及分析 本章小结 参考文献 第7章基于项目属性改进概率矩阵分解算法 7．1引言 7．2IARBP算法 7．2．1相似度度量 7．2．2算法描述 7．2．3算法复杂度分析 7．3实验结果对比分析 7．3．1实验数据集 7．3．2实验评价标准 7．3．3对比实验配置及说明 7．3．4实验参数分析 7．3．5实验对比 本章小结 参考文献 第8章基于交替最小二乘的改进概率矩阵分解算法 8．1引言 8．2交替最小二乘 8．3Baseline预测 8．4IPMF算法 8．4．1算法改进思想 8．4．2算法流程 8．4．3复杂度分析 8．5实验结果分析 8．5．1对比实验设定 8．5．2实验分析 本章小结 参考文献 第9章基于社交网络的改进概率矩阵分解算法研究 9．1引言 9．2相关工作 9．2．1推荐系统的形式化 9．2．2矩阵分解与推荐系统 9．3概率矩阵分解 9．4主要研究内容 9．4．1基于社交网络的改进概率矩阵分解 9．4．2算法流程 9．4．3算法复杂度分析 9．5实验分析 9．5．1实验数据集 9．5．2实验评价标准 9．5．3对比算法 9．5．4潜在因子维度的影响 9．5．5偏置的影响 9．5．6信任因子的影响 9．5．7对比实验分析 本章小结 参考文献 0章带偏置的非负矩阵分解推荐算法 10．1引言 10．2相关工作 10．2．1矩阵分解 10．2．2奇异值矩阵 10．2．3Baseline预测 10．2．4NMF算法 10．3RBNMF算法 10．3．1理论分析 10．3．2RBNMF算法流程 10．4实验分析 10．4．1数据集 10．4．2评价标准 10．4．3实验结果及分析 本章小结 参考文献 1章基于项目热度的协同过滤推荐算法 11.1引言 11.2非负矩阵分解 11.3两阶段近邻选择 11.3.1两阶段k近邻选择 11.3.2项目“热度”和局部信任 11.3.3预测评分 11.4算法描述 11.5实验结果分析 11.5.1不同策略下相似度的分布 11.5.2两种因素的分布与分析 11.5.3实验结果及分析 本章小结 参考文献 第四篇基于信任的协同过滤推荐算法 2章带偏置的专家信任推荐算法 12.1引言 12.2相关工作 12.2.1专家算法 12.2.2生成推荐值 12.2.3Baseline预测 12.3改进专家算法 12.3.1改进专家信任 12.3.2评分形成 12.3.3算法描述 12.4实验结果与分析 12.4.1数据集 12.4.2评估标准 12.4.3实验结果及分析 本章小结 参考文献 3章一种改进专家信任的协同过滤推荐算法 13.1引言 13.2标注与相关工作 13.2.1标注 13.2.2近邻模型 13.2.3专家算法 13.3改进专家算法 13.3.1重要概念 13.3.2评分形成 13.3.3算法描述 13.4实验结果与分析 13.4.1数据集 13.4.2评估标准 13.4.3实验结果与分析 本章小结 参考文献 第五篇原型系统开发 4章电影推荐原型系统 14.1引言 14.2主要功能 14.3关键技术 14.3.1概率矩阵分解模型 14.3.2社交网络正则化 14.4集群搭建 14.4.1集群软硬件环境 14.4.2Spark集群 14.4.3HBase集群 14.5系统特点 14.6用户使用说明 14.6.1系统简介界面 14.6.2建模一和建模二界面 14.6.3集群界面 14.6.4看过的电影界面 14.6.5推荐电影界面 14.6.6统计分析界面 参考文献
作者介绍
王建芳，博士，副教授，硕士研究生导师，现任河南理工大学ACM／ICPC总教练；主要从事人工智能、数据挖掘和智能计算算法等方向的研究工作，具有丰富的系统研究开发经验和扎实的理论基础知识。长期指导学生参加各种程序算法设计类竞赛，并多次获得省级及以上奖励；曾多次获得相关赛事的“很好指导教师”称号。
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价