正版现货新书 系统(第2版) 9787111757030 刘宏志 吴中海 著
全新正版现货，以书名为准，放心购买，购书咨询18931383650朱老师
￥ 41.25 7.5折 ￥ 55 全新
库存4件
北京丰台
认证卖家担保交易快速发货售后保障
作者刘宏志 吴中海 著
出版社机械工业出版社
ISBN9787111757030
出版时间2018-01
装帧平装
开本16开
定价55元
货号17321926
上书时间2024-11-16
- 在售商品 暂无
- 平均发货时间 10小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
目录 第2版前言 第1版前言 第1章概述1 1.1推荐系统简介1 1.1.1信息超载1 1.1.2长尾效应2 1.1.3推荐系统的价值3 1.2推荐系统的发展历史4 1.3典型应用场景5 1.3.1电商5 1.3.2新闻6 1.3.3音乐7 1.4推荐系统框架8 1.4.1用户画像9 1.4.2项目画像10 1.5推荐算法分类11 1.5.1基于算法思想的分类11 1.5.2基于应用问题的分类14 习题15 第2章基于邻域的协同过滤16 2.1协同过滤简介16 2.1.1基本思想16 2.1.2算法分类17 2.1.3一般流程17 2.2基于用户的协同过滤18 2.2.1TopN推荐20 2.2.2评分预测23 2.3基于项目的协同过滤25 2.3.1TopN推荐26 2.3.2评分预测29 2.4基于距离的相似度度量30 2.5邻域的选取32 2.6Slope One算法33 2.7基于二部图的协同过滤34 2.7.1激活扩散模型35 2.7.2物质扩散模型37 2.7.3热传导模型39 2.7.4基于图扩散的推荐系统42 习题43 第3章基于模型的协同过滤44 3.1基于关联规则的协同过滤44 3.1.1基本概念45 3.1.2关联规则度量45 3.1.3Apriori关联规则挖掘算法47 3.1.4关联规则的相关分析48 3.1.5基于关联规则的推荐系统49 3.2基于矩阵分解的评分预测50 3.2.1奇异值分解50 3.2.2隐语义模型52 3.2.3概率矩阵分解57 3.2.4SVD++模型61 3.3基于矩阵分解的TopN推荐62 3.3.1基于正样本过采样的矩阵分解62 3.3.2基于负样本欠采样的矩阵分解63 习题64 第4章基于内容和知识的推荐65 4.1基于内容的推荐系统框架65 4.2基于词向量空间模型的文本表示67 4.2.1词袋模型67 4.2.2TFIDF模型68 4.2.3模型改进71 4.2.4向量相似度度量71 4.3基于语义的内容相似度72 4.3.1基于本体的文本相似度72 4.3.2基于网络知识的文本相似度73 4.3.3基于语料库的文本相似度75 4.4基于知识的推荐77 4.4.1基于约束的推荐78 4.4.2基于效用的推荐81 4.4.3基于实例的推荐82 4.4.4基于知识库的推荐84 习题86 第5章混合推荐系统87 5.1混合推荐实例——Netflix百万美金公开赛87 5.2混合/组合推荐的动机89 5.2.1实践经验89 5.2.2理论依据90 5.3混合/组合方法分类92 5.3.1有监督组合和无监督组合92 5.3.2基推荐器间依赖关系93 5.4并行式混合推荐94 5.4.1加权式混合94 5.4.2切换式混合95 5.4.3排序混合96 5.5串行式混合推荐97 5.5.1级联过滤97 5.5.2级联学习98 5.6整体式混合推荐99 5.6.1特征组合99 5.6.2特征扩充100 5.6.3基于图模型的混合100 习题102 第6章推荐系统评测103 6.1评测视角103 6.2实验方法104 6.2.1在线实验104 6.2.2用户调查105 6.2.3离线实验106 6.3评分预测评价指标107 6.3.1MAE和MSE107 6.3.2RMSE、NMAE和NRMSE108 6.4TopN推荐评价指标109 6.4.1分类准确度指标109 6.4.2ROC曲线和AUC值111 6.4.3基于排序的评价指标113 6.4.4其他常用评价指标115 6.5公开实验数据集116 习题118 第7章基于排序学习的推荐119 7.1排序学习模型分类119 7.2对级排序学习模型121 7.2.1基本框架121 7.2.2贝叶斯个性化排序123 7.2.3协同对级排序学习125 7.3列表级排序学习模型129 7.3.1PPush CR算法129 7.3.2CofiRank算法131 习题133 第8章基于情境感知的推荐134 8.1情境信息的定义134 8.2情境信息的获取136 8.3基于情境感知的推荐系统框架136 8.3.1数据立方体137 8.3.2基于树的层次信息表达138 8.4融合情境信息的推荐模型139 8.4.1情境预过滤140 8.4.2情境后过滤141 8.5情境建模141 8.5.1基于邻域的方法142 8.5.2基于模型的方法143 习题146 第9章基于时空信息的推荐147 9.1基于时间信息的推荐147 9.1.1最近最热门推荐算法148 9.1.2基于时间的项目协同过滤148 9.1.3基于时间的用户协同过滤149 9.1.4基于会话的推荐150 9.2基于序列感知的推荐151 9.2.1基于马尔可夫模型的序列预测152 9.2.2基于循环神经网络的序列预测155 9.2.3基于注意力机制的序列预测157 9.3基于空间信息的推荐160 9.3.1位置信息的获取与推理161 9.3.2基于位置信息的推荐161 9.3.3融合其他信息的推荐163 习题163 第10章基于社交关系的推荐164 10.1社交关系数据164 10.2基于邻域的社交化推荐166 10.2.1基于用户的协同过滤166 10.2.2基于图扩散的推荐167 10.3基于模型的社交化推荐169 10.3.1基于潜在社交因子学习的推荐169 10.3.2基于显式社交关系的推荐171 10.4基于社会曝光的协同过滤174 习题176 第11章基于异质信息网络的推荐177 11.1基本概念177 11.2基于邻域的HIN推荐算法178 11.2.1基于随机游走的相关度度量178 11.2.2基于元路径的相关度度量179 11.2.3基于元路径和随机游走混合的相关度度量183 11.3基于模型的HIN推荐算法183 11.3.1两阶段融合模型183 11.3.2端到端的学习模型188 习题191 第12章基于图神经网络的推荐192 12.1图神经网络简介192 12.1.1任务分类与定义193 12.1.2一般流程与框架194 12.1.3采样模块195 12.1.4池化模块196 12.1.5传播模块198 12.2图神经网络典型算法202 12.2.1GCN算法202 12.2.2GraphSAGE算法204 12.2.3GAT算法205 12.3基于图神经网络的推荐算法207 12.3.1基于用户项目二部图的协同过滤207 12.3.2基于知识图谱的推荐209 习题211 实验1基于邻域协同过滤的TopN推荐212 实验2基于矩阵分解的评分预测216 实验3面向应用的推荐系统实现220 参考文献229
内容摘要
本书除了介绍推荐系统的一般框架、典型应用和评测方法外，还图文并茂地介绍了各种典型推荐系统与算法的思想、原理、设计、实现和应用场景。除了介绍基于协同过滤的推荐、基于内容的推荐、基于知识的推荐等经典推荐系统与算法外，还介绍了基于排序学习的推荐、基于异质信息网络的推荐、基于图神经网络的推荐等新型推荐系统与算法。此外，为便于读者快速入门并开展相关工程实践，本书还提供了配套的讲解视频和实验内容。
本书可作为计算机科学与技术、软件工程、数据科学与大数据技术、人工智能等专业高年级本科生和研究生的推荐系统、数据挖掘、人工智能等相关课程的教材或参考书，也可作为从事推荐系统、搜索引擎、数据挖掘等研发工作相关人员的参考书。
本书配有电子课件、源代码等教学资源，欢迎选用本书作教材的老师登录www.cmpedu.com注册后获取。
主编推荐
本书遵循教育部教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
精彩内容
本书除了介绍推荐系统的一般框架、典型应用和评测方法外，还图文并茂地介绍了各种典型推荐系统与算法的思想、原理、设计、实现和应用场景。除了介绍基于协同过滤的推荐、基于内容的推荐、基于知识的推荐等经典推荐系统与算法外，还介绍了基于排序学习的推荐、基于异质信息网络的推荐、基于图神经网络的推荐等新型推荐系统与算法。此外，为便于读者快速入门并开展相关工程实践，本书还提供了配套的讲解视频和实验内容。 本书可作为计算机科学与技术、软件工程、数据科学与大数据技术、人工智能等专业高年级本科生和研究生的推荐系统、数据挖掘、人工智能等相关课程的教材或参考书，也可作为从事推荐系统、搜索引擎、数据挖掘等研发工作相关人员的参考书。 本书配有电子课件、源代码等教学资源，欢迎选用本书作教材的老师登录www.cmpedu.com注册后获取。
— 没有更多了 —
以下为对购买帮助不大的评价