国产第1页_91在线亚洲_中文字幕成人_99久久久久久_五月宗合网_久久久久国产一区二区三区四区

讀書月攻略拿走直接抄!
歡迎光臨中圖網 請 | 注冊
> >
機械工業出版社計算機科學叢書推薦系統:原理與實踐

包郵 機械工業出版社計算機科學叢書推薦系統:原理與實踐

出版社:機械工業出版社出版時間:2017-05-01
開本: 16開 頁數: 374
讀者評分:4分1條評論
中 圖 價:¥89.0(6.9折) 定價  ¥129.0 登錄后可看到會員價
加入購物車 收藏
開年大促, 全場包郵
?新疆、西藏除外
本類五星書更多>
買過本商品的人還買了

機械工業出版社計算機科學叢書推薦系統:原理與實踐 版權信息

機械工業出版社計算機科學叢書推薦系統:原理與實踐 本書特色

本書介紹當前推薦系統領域中的經典方法。不僅詳細討論了各類方法,還對同類技術進行了歸納總結,這有助于讀者對當前推薦系統研究領域有全面的了解。書中提供了大量的例子和習題來幫助讀者深入理解和掌握相關技術。此外,本書還介紹了當前新的研究方向,為讀者進行推薦系統技術的研究提供參考。本書既可以作為計算機相關專業本科生和研究生的教材,也適合開發人員和研究人員閱讀。

機械工業出版社計算機科學叢書推薦系統:原理與實踐 內容簡介

本書介紹當前推薦系統領域中的經典方法。不僅詳細討論了各類方法,還對同類技術進行了歸納總結,這有助于讀者對當前推薦系統研究領域有全面的了解。書中提供了大量的例子和習題來幫助讀者深入理解和掌握相關技術。此外,本書還介紹了當前新的研究方向,為讀者進行推薦系統技術的研究提供參考。本書既可以作為計算機相關專業本科生和研究生的教材,也適合開發人員和研究人員閱讀。

機械工業出版社計算機科學叢書推薦系統:原理與實踐機械工業出版社計算機科學叢書推薦系統:原理與實踐 前言

前言Recommender Systems: The Textbook大自然呈現在我們面前的只是一頭獅子的尾巴。但不要懷疑獅子的存在,盡管它因為身型巨大不能馬上現出全身。
——Albert Einstein隨著Web成為商務和電子交易的重要媒介,推薦系統在20世紀90年代變得越來越重要。人們很早就認識到Web為個性化服務提供了空前的機會,這是其他渠道是不可能做到的。特別是Web為數據收集提供了便利,并且提供了一種非侵入式地推薦物品的用戶界面。
自此以后,在公眾眼中,推薦系統已經得到了顯著的發展。這一事實的證據是,有許多會議和研討會專門探討該領域。會議ACM Conference on Recommender Systems特別值得一提,因為它為該領域定期貢獻了許多前沿工作。推薦系統領域非常多樣化,因為它能夠使用各種類型的用戶偏好數據和用戶需求數據來做推薦。推薦系統中*著名的方法包括協同過濾方法、基于內容的方法和基于知識的方法。這三種方法構成了推薦系統研究領域的基本支柱。近年來,已經設計了一些專門的方法來針對不同的數據領域和上下文,例如時間、位置和社會信息。針對專門的場景提出了大量高級的方法,這些方法可以調整用于不同的應用領域,例如查詢日志挖掘、新聞推薦和計算廣告。本書的結構安排體現了這些重要的話題。本書的章節可以分為三類:
1)算法和評估:這些章節討論了推薦系統中的基本算法,包括協同過濾方法(第2和4章)、基于內容的方法(第4章)和基于知識的方法(第5章)。這些方法的混合在第6章中討論。第7章討論了推薦系統評估。
2)特定領域和上下文的推薦:推薦系統的上下文在提供有效推薦方面扮演了至關重要的角色。例如,一個用戶想要用其位置作為附加的上下文(context)來查找飯店。推薦的上下文可以被看作是影響推薦目標的重要輔助信息。不同類型的域,例如時間數據、空間數據和社會數據,提供了不同類型的上下文。相關的方法在第8~11章中討論。第11章也討論了利用社會信息來增加推薦過程可信度的話題。*近的話題(如分解機和可信推薦系統)在這些章節中也有涉及。
3)高級話題和應用:在第12章中,我們將從各個角度討論推薦系統的健壯性,例如欺詐(shilling)系統、攻擊模式及其防御。此外,近期的一些話題,例如排名學習、多臂賭博機、組推薦系統、多標準推薦系統和主動學習系統,將在第13章中討論。該章的一個重要目標是向讀者介紹當前研究的基本思想和原則。雖然不可能在一本書里對當前所有的研究技術細節進行討論,但我們希望*后一章能夠在高級話題方面為讀者“破冰”。在這一章中,我們也研究了推薦技術的一些應用環境,例如新聞推薦、查詢推薦和計算廣告。本章還討論了如何將前面章節中介紹的方法應用于各個不同的領域。
盡管本書是作為教科書來編寫的,但仍有很多來自于工業界和學術界的讀者。因此,我們也從應用角度和文獻角度來撰寫此書。書中提供了大量的示例和習題,使得它可以被用作教科書。由于大部分推薦系統課程只涵蓋基礎話題,因此有關基礎話題的章節和算法著重于課堂教學。另一方面,工業界人員也許發現討論上下文敏感的推薦系統的章節很有用,因為在許多真實的應用中會有大量可用的上下文輔助信息。第13章的應用部分是特別為工業界人員編寫的,不過教師也許會發現它在推薦課程中也是有用的。
*后,我們對所使用的符號進行簡要的介紹。本書中一直使用一個m×n的評分矩陣,記為R,其中m是用戶的數量,n是物品的數量。矩陣R是不完整的,因為只有一部分項是已觀測的。R的第(i,j)項表示用戶i對物品j的評分,當它是已觀測項時,被記為rij。當項(i,j)是由推薦算法預測得到(而不是用戶指定)時,被記為帶“帽子”符號(即抑揚符號)的r∧ij,表示它是一個預測的值。向量用“上劃線”來表示,例如X或y。
致謝Recommender Systems: The Textbook感謝在撰書期間妻子和女兒給予我的愛和支持,感謝父母給我持續的愛。
本書得到了很多人直接和間接的幫助,我很感激他們。在撰寫本書時,我收到了許多同事的反饋,他們是Xavier Amatriain、Kanishka Bhaduri、Robin Burke、Martin Ester、Bart Goethals、Huan Liu、Xia Ning、Saket Sathe、Jiliang Tang、Alexander Tuzhilin、Koen Versetrepen和Jieping Ye。感謝他們所提供的建設性反饋。這些年來,我從大量合作者那里受益良多。這些見解直接或間接地影響了本書。首先感謝多年來與我合作的Philip S. Yu。其他重要的合作者還包括Tarek F. Abdelzaher、Jing Gao、Quanquan Gu、Manish Gupta、Jiawei Han、Alexander Hinneburg、Thomas Huang、Nan Li、Huan Liu、Ruoming Jin、Daniel Keim、Arijit Khan、Latifur Khan、Mohammad M. Masud、Jian Pei、Magda Procopiuc、Guojun Qi、Chandan Reddy、Saket Sathe、Jaideep Srivastava、Karthik Subbian、Yizhou Sun、Jiliang Tang、MinHsuan Tsai、Haixun Wang、Jianyong Wang、Min Wang、Joel Wolf、Xifeng Yan、Mohammed Zaki、ChengXiang Zhai和Peixiang Zhao。我也要感謝導師James B. Orlin在早期對我的指導。
還要感謝我的經理Nagui Halim在我撰寫此書時所提供的巨大支持。他的專業支持對我過去和現在的許多書都起著重要的作用。
*后,感謝Lata Aggarwal用微軟PowerPoint軟件幫我繪制了一些圖片。

機械工業出版社計算機科學叢書推薦系統:原理與實踐 目錄

第1章推薦系統概述
1.1引言
1.2推薦系統的目標
1.2.1推薦系統應用范圍
1.3推薦系統的基本模型
1.3.1協同過濾模型
1.3.2基于內容的推薦系統
1.3.3基于知識的推薦系統
1.3.4人口統計推薦系統
1.3.5混合集成的推薦系統
1.3.6對推薦系統的評價
1.4推薦系統領域特有的挑戰
1.4.1基于上下文的推薦系統
1.4.2時間敏感的推薦系統
1.4.3基于位置的推薦系統
1.4.4社交信息系統
1.5高級論題和應用
1.5.1推薦系統中的冷啟動問題
1.5.2抗攻擊推薦系統
1.5.3組推薦系統
1.5.4多標準推薦系統
1.5.5推薦系統中的主動學習
1.5.6推薦系統中的隱私問題
1.5.7應用領域
1.6小結
1.7相關工作
1.8習題
第2章基于近鄰的協同過濾
2.1引言
2.2評分矩陣的關鍵性質
2.3通過基于近鄰的方法預測評分
2.3.1基于用戶的近鄰模型
2.3.2基于物品的近鄰模型
2.3.3高效的實現和計算復雜度
2.3.4基于用戶的方法和基于物品的方法的比較
2.3.5基于近鄰方法的優劣勢
2.3.6基于用戶的方法和基于物品的方法的聯合
2.4聚類和基于近鄰的方法
2.5降維與近鄰方法
2.5.1處理偏差
2.6近鄰方法的回歸模型視角
2.6.1基于用戶的*近鄰回歸
2.6.2基于物品的*近鄰回歸
2.6.3基于用戶的方法和基于物品的方法的結合
2.6.4具有相似度權重的聯合插值
2.6.5稀疏線性模型
2.7基于近鄰方法的圖模型
2.7.1用戶物品圖
2.7.2用戶用戶圖
2.7.3物品物品圖
2.8小結
2.9相關工作
2.10習題
第3章基于模型的協同過濾
3.1引言
3.2決策和回歸樹
3.2.1將決策樹擴展到協同過濾
3.3基于規則的協同過濾
3.3.1將關聯規則用于協同過濾
3.3.2面向物品的模型與面向用戶的模型
3.4樸素貝葉斯協同過濾
3.4.1處理過擬合
3.4.2示例:使用貝葉斯方法處理二元評分
3.5將任意分類模型當作黑盒來處理
3.5.1示例:使用神經網絡作為黑盒分類器
3.6潛在因子模型
3.6.1潛在因子模型的幾何解釋
3.6.2潛在因子模型的低秩解釋
3.6.3基本矩陣分解原理
3.6.4無約束矩陣分解
3.6.5奇異值分解
3.6.6非負矩陣分解
3.6.7理解矩陣因子分解方法族
3.7集成因子分解和近鄰模型
3.7.1基準估計:非個性化偏倚中心模型
3.7.2模型的近鄰部分
3.7.3模型的潛在因子部分
3.7.4集成近鄰和潛在因子部分
3.7.5求解優化模型
3.7.6關于精度的一些觀察
3.7.7將潛在因子模型集成到任意模型
3.8小結
3.9相關工作
3.10習題
第4章基于內容的推薦系統
4.1引言
4.2基于內容的系統的基本組件
4.3預處理和特征提取
4.3.1特征提取
4.3.2特征表示和清洗
4.3.3收集用戶的偏好
4.3.4監督特征選擇和加權
4.4學習用戶畫像和過濾
4.4.1*近鄰分類
4.4.2與基于案例的推薦系統的關聯性
4.4.3貝葉斯分類器
4.4.4基于規則的分類器
4.4.5基于回歸的模型
4.4.6其他學習模型和比較概述
4.4.7基于內容的系統的解釋
4.5基于內容的推薦與協同推薦
4.6將基于內容的模型用于協同過濾
4.6.1利用用戶畫像
4.7小結
4.8相關工作
4.9習題
第5章基于知識的推薦系統
5.1引言
5.2基于約束的推薦系統
5.2.1返回相關結果
5.2.2交互方法
5.2.3排序匹配的物品
5.2.4處理不可接受的結果或空集
5.2.5添加約束
5.3基于案例的推薦系統
5.3.1相似性度量
5.3.2批評方法
5.3.3批評的解釋
5.4基于知識的系統的持久個性化
5.5小結
5.6相關工作
5.7習題
第6章基于集成的混合推薦系統
6.1引言
6.2從分類角度看集成方法
6.3加權型混合系統
6.3.1幾種模型組合的方法
6.3.2對分類中的bagging算法的調整
6.3.3隨機性注入算法
6.4切換型混合系統
6.4.1為解決冷啟動問題的切換機制
6.4.2桶模型
6.5級聯型混合系統
6.5.1推薦結果的逐步優化
6.5.2boosting算法
6.6特征放大型混合系統
6.7元級型混合系統
6.8特征組合型混合系統
6.8.1回歸分析和矩陣分解
6.8.2元級特征
6.9交叉型混合系統
6.10小結
6.11相關工作
6.12習題
第7章推薦系統評估
7.1引言
7.2評估范例
7.2.1用戶調查
7.2.2在線評估
7.2.3使用歷史數據集進行離線評估
7.3評估設計的總體目標
7.3.1精確性
7.3.2覆蓋率
7.3.3置信度和信任度
7.3.4新穎度
7.3.5驚喜度
7.3.6多樣性
7.3.7健壯性和穩定性
7.3.8可擴展性
7.4離線推薦評估的設計要點
7.4.1Netflix Prize數據集的案例研究
7.4.2為訓練和測試分解評分
7.4.3與分類設計的比較
7.5離線評估的精確性指標
7.5.1度量預測評分的精確性
7.5.2通過相關性評估排名
7.5.3通過效用評估排名
7.5.4通過ROC曲線評估排名
7.5.5哪種排名方式*好
7.6評估指標的局限性
7.6.1避免評估游戲
7.7小結
7.8相關工作
7.9習題
第8章上下文敏感的推薦系統
8.1引言
8.2多維方法
8.2.1層級的重要性
8.3上下文預過濾:一種基于降維的方法
8.3.1基于集成的改進
8.3.2多級別的估計
8.4后過濾方法
8.5上下文建模
8.5.1基于近鄰的方法
8.5.2潛在因子模型
8.5.3基于內容的模型
8.6小結
8.7相關工作
8.8習題
第9章時間與位
展開全部

機械工業出版社計算機科學叢書推薦系統:原理與實踐 作者簡介

查魯·C.阿加沃爾(Charu C.Aggarwal),IBM T.J.Watson研究中心杰出研究人員(DRSM),于1996年在MIT獲得博士學位。他對數據挖掘領域有著廣泛的研究。在國際會議和期刊上發表了300余篇論文。申請了90余項專利。他曾三次被評為IBM的“杰出發明人”(Master Inventor)。并曾獲得IBM公司獎(IBM Corporate Award,2003)、IBM杰出創新獎和兩項IBM杰出技術成就獎(2009,2015)。他因為提出基于冷凝的數據挖掘中的隱私保護技術而獲得EDBT2014的時間檢驗獎(Test of Time Award)。他還獲得了IEEE ICDM研究貢獻獎(2015),這是數據挖掘領域對具有突出貢獻的研究的兩項最高獎項之一。 他曾多次擔任ACM/IEEE知名國際學術會議的主席或程序委員會主席。并擔任大數據相關多個知名期刊的主編或編委。由于在知識發現和數據挖掘算法上的貢獻,他入選SIAM、ACM和IEEE的會士。

商品評論(1條)
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網
在線客服
主站蜘蛛池模板: 热99re久久精品这里都是免费 | 久久精品蜜芽亚洲国产a | 天堂资源中文网 | 亚洲福利精品一区二区三区 | 久久视频国产 | 日本在线视频www色 日本在线视频毛片 | 免费精品美女久久久久久久久 | 欧美色碰碰碰免费观看长视频 | 久久久久久久久女黄 | 欧美成人免费观看的 | 免费永久在线观看黄网 | 国产成人无码av片在线观看不卡 | 少妇人妻偷人精品无码视频新浪 | 国产成人免费高清激情视频 | 亚洲丝袜 | 久久青青草原国产毛片 | 日本老妇人乱xxy | 99久久精品国产亚洲 | 四虎影院wwww| 中文字幕亚洲乱码熟女在线 | 99999久久久久久亚洲 | 国产精品美女久久久 | 禁断看护妇中文字幕在线视频 | 国产xxxx做受视频 | 国产精品成人久久久 | 四虎影院新网址 | 91免费国产在线观看 | 国产成年无码久久久久下载 | 人成在线| 中文字幕日本最新乱码视频 | 九九精品国产99精品 | 欧美开嫩苞实拍视频在线观看 | 久久综合香蕉国产蜜臀av | 日本老熟妇50岁丰满 | 精品欧美在线精品 | 日本大胆一区免费视频 | 4455四色永久免费 | 亚洲国产精品欧美日韩一区二区 | 自偷自拍亚洲综合精品 | 亚洲欧美日韩国产精品一区 | 日本高清乱码中文字幕 |