【全新正版】 搜索引擎中的实体推荐关键技术研究 黄际洲 著 9787111701170 机械工业出版社
正版图书 真实库存欢迎选购 套装图书先联系再下单 套装图书请先咨询客服再下单
￥ 25.2 5.1折 ￥ 49 全新
库存12件
河北保定
认证卖家担保交易快速发货售后保障
作者黄际洲 著
出版社机械工业出版社
ISBN9787111701170
出版时间2022-07
四部分类子部>艺术>书画
装帧平装
开本32开
定价49元
货号29428108
上书时间2024-12-12
- 在售商品 暂无
- 平均发货时间 25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
-
前言
博士研究生教育是教育的最高层级，是一个国家高层次入才培养的主渠道。博士学位论文是青年学子在其入生求学阶段，经历“昨夜西风凋碧树，独上高楼，望尽天涯路”和“衣带渐宽终不悔，为伊消得入憔厗”之后的学术巅峰之作。因此，一般来说，博士学位论文都在其所研究的学术前沿点上有所创新、有所突破，为拓展入类的认知和知识边界做出了贡献。博士学位论文应该是同行学术研究者的文献。
为推动我国计算机领域的科技进步，激励计算机学科博士研究生潜心钻研，务实创新，解决计算机科学技术中的难点问题，表彰做出优秀成果的青年学者，培育计算机领域的顶级创新入才，中国计算机学会(CCF)于2006 年决定设立 “中国计算机学会优秀博士学位论文奖”，每年评选不超过10 篇计算机学科优秀博士学位论文。截至 2020 年已有 135 位青年学者获得该奖。他们走上工作岗位以后均做出了显著的科技或产业贡献，有的获国家科技大奖，有的获评国际高被引学者，有的研发出高端产品，大都成为计算机领域国内国际知名学者、一方学术带头入或有影响力的企业家。
博士学位论文的整体质量体现了一个国家相关领域的科技发展程度和高等教育水平。为了更好地展示我国计算机学科博士生教育取得的成效，推广博士生科研成果，加强高端学术交流，中国计算机学会于 2020 年委托北京西西艾弗信息科技有限公司以“CCF 优秀博士学位论文丛书”的形式，陆续选择 2006 年至今及以后的部分优秀博士学位论文全文出版，并以此庆祝中国计算机学会建会 60 周年。这是中国计算机学会义一引入瞩目的创举，也是一项令入称道的善举。
希望我国计算机领域的广大研究生向该丛书的学长作者们学习，树立献身科学的理想和信念，塑造“六经责我开生面”的精神气度，低厮探索，锐意创新，不断摘取科学技术明珠，为国家做出重大科技贡献。
谨此为序。
导语摘要
搜索引擎是人们获取信息的重要工具。近几年,人们获取信息的需求不断提升, 促使搜索引擎不断发展和进化, 从被动地为用户提供查询结果, 转变为主动地为用户提供直接答案并推荐相关信息。其中, 实体推荐是推荐粒度*细且信息量*丰富的一种信息推荐形式, 备受学术界重视, 也深受用户欢迎。
本书围绕实体推荐, 针对实体推荐算法的改进和推荐理由的生成这两方面的关键技术进行研究, 并得出研究结论。本书适合计算机领域的研究生以及从业人员阅读, 可以帮助读者较全面地了解实体推荐算法。
作者简介
黄际洲，正不错工程师，百度人工智能技术委员会主席，百度地图首席研发架构师。多年来一直从事自然语言处理、知识图谱、数据挖掘等人工智能相关技术研发及大规模产业化工作，先后担任百度阿拉丁、图片搜索、搜索推荐、信息流推荐、百度地图等产品的研发架构师。已发表学术论文30余篇，获得已授权110余项。曾荣获中国电子学会科技进步一等奖、CCF很好博士学位论文奖。
目录
丛书序
导师序
摘要
第1章 绪论
1.1 课题背景及意义1
1.1.1 实体推荐的定义及研究背景1
1.1.2 实体推荐的挑战及研究意义6
1.2 研究现状及分析12
1.2.1 实体推荐算法12
1.2.2 实体推荐的可解释性23
1.2.3 尚且存在的问题31
1.3 本书的研究内容及章节安排35
第2章 基于排序学习与信息新颖性增强的实体推荐
2.1 引言40
2.2 问题定义43
2.2.1 信息新颖性定义43
2.2.2 基于信息新颖性增强的实体推荐任务定义47
2.3 基于排序学习框架的实体推荐算法49
2.3.1 相关实体发现50
2.3.2 相关实体排序53
2.4 实验设置69
2.4.1 实验数据69
2.4.2 基线方法70
2.4.3 评价指标72
2.5 实验结果与分析75
2.5.1 本方法与五种基线方法的比较76
2.5.2 不同特征的贡献度分析78
2.6 本章小结81
第3章 基于深度多任务学习的上下文相关实体推荐
3.1 引言83
3.2 问题定义87
3.2.1 上下文相关实体推荐任务定义87
3.2.2 使用多任务学习的原因89
3.3 基于多任务学习的上下文相关实体推荐模型92
3.3.1 上下文无关实体推荐模型92
3.3.2 上下文相关实体推荐模型94
3.3.3 使用多任务学习提升上下文相关实体推荐模型的效果95
3.3.4 利用上下文相关实体推荐模型提升推荐效果98
3.4 实验设置100
3.4.1 实验数据与评价指标101
3.4.2 基线方法104
3.5 实验结果与分析105
3.5.1 上下文信息的影响105
3.5.2 多任务学习与单任务学习的比较106
3.5.3 实体推荐模型的比较107
3.5.4 搜索会话长度的影响108
3.5.5 上下文相关文档排序的效果110
3.6 本章小结111
第4章 基于卷积神经网络的实体对推荐理由识别
4.1 引言112
4.2 问题定义116
4.3 实体对推荐理由识别方法118
4.3.1 训练数据的构建方法118
4.3.2 基于卷积神经网络的排序模型122
4.4 实验设置125
4.4.1 实验数据126
4.4.2 基线方法128
4.4.3 评价指标130
4.5 实验结果与分析130
4.5.1 人工设计特征与自动学习特征的比较131
4.5.2 基于pointwise与基于pairwise的排序方法的比较132
4.5.3 本方法与三种基线方法的比较133
4.6 本章小结138
第5章 基于机器翻译模型的实体推荐理由生成
5.1 引言139
5.2 问题定义142
5.3 基于统计机器翻译模型的实体推荐理由生成144
5.4 基于神经机器翻译模型的实体推荐理由生成148
5.4.1 Seq2Seq模型149
5.4.2 由实体信息指导的Seq2Seq模型156
5.4.3 基于Seq2Seq的实体推荐理由生成模型161
5.5 实验设置162
5.5.1 实验数据162
5.5.2 对比方法165
5.5.3 评价指标169
5.6 实验结果与分析171
5.6.1 不同实体推荐理由生成方法的比较与分析171
5.6.2 基于Seq2Seq的实体推荐理由生成模型分析174
5.6.3 基于实例的方法的比较与分析176
5.7 本章小结181
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
内容摘要
搜索引擎是人们获取信息的重要工具。近几年,人们获取信息的需求不断提升, 促使搜索引擎不断发展和进化, 从被动地为用户提供查询结果, 转变为主动地为用户提供直接答案并推荐相关信息。其中, 实体推荐是推荐粒度*细且信息量*丰富的一种信息推荐形式, 备受学术界重视, 也深受用户欢迎。
本书围绕实体推荐, 针对实体推荐算法的改进和推荐理由的生成这两方面的关键技术进行研究, 并得出研究结论。本书适合计算机领域的研究生以及从业人员阅读, 可以帮助读者较全面地了解实体推荐算法。
— 没有更多了 —
以下为对购买帮助不大的评价