機器學習算法實踐 — 推薦系統的協同過濾理論及其應用
王建芳
- 出版商: 清華大學
- 出版日期: 2018-10-27
- 定價: $414
- 售價: 8.5 折 $352
- 語言: 簡體中文
- 頁數: 194
- 裝訂: 平裝
- ISBN: 730250783X
- ISBN-13: 9787302507833
-
相關分類:
推薦系統、Machine Learning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$500$390 -
$450深入淺出強化學習 : 原理入門
-
$356推薦系統實踐
-
$658推薦系統:原理與實踐 (Recommender Systems: The Textbook)
-
$690$538 -
$709推薦系統:技術、評估及高效算法, 2/e (Recommender Systems Handbook, 2/e)
-
$580$458 -
$505從零開始學架構:照著做,你也能成為架構師
-
$480$408 -
$308推薦系統與深度學習
-
$680$612 -
$680$578 -
$680$530 -
$834$792 -
$1,000$790 -
$505機器學習即服務:將 Python 機器學習創意快速轉變為雲端 Web 應用程序 (Monetizing Machine Learning: Quickly Turn Python ML Ideas into Web Applications on the Serverless Cloud)
-
$403推薦系統開發實戰
-
$454推薦系統算法實踐
-
$454統計推薦系統
-
$469推薦系統
-
$580$493 -
$650$553 -
$1,000$850 -
$780$663 -
$780$663
相關主題
商品描述
個性化推薦能夠根據用戶的歷史行為顯式或者隱式地挖掘用戶潛在的興趣和需求,並為其推送個性化信息,因此受到研究者的追捧及工業界的青睞,其研究具有重大的學術價值及商業應用價值,已廣泛應用於大型電子商務平臺、社交平臺、新聞客戶端以及其他各類旅遊和娛樂類網站中。本書內容豐富,較全面地介紹了基於協同過濾的推薦系統存在的問題、解決方法和評估策略,主要內容涉及協同過濾推薦算法中的時序技術、矩陣分解技術和社交網絡信任技術等知識。本書可供從事推薦系統、人工智能、機器學習、模式識別和信息檢索等領域的科研人員及研究生閱讀、參考
目錄大綱
目錄
第一篇基礎理論
第1章理論入門
1.1引言
1.2推薦系統的形式化定義
1.3基於近鄰的協同過濾推薦算法
1.3.1餘弦相似度
1.3.2修正餘弦相似度
1.3.3Pearson相似度
1.3.4Jaccard相似度
1.4基於用戶興趣的推薦算法
1.5基於模型的協同過濾推薦算法
1.5.1矩陣分解模型
1.5.2交替最小二乘
1.5.3概率矩陣分解
1.5.4非負矩陣分解
1.6基於信任的協同過濾推薦算法
1.7推薦系統現存問題
1.7.1冷啟動
1.7.2數據稀疏性
1.7.3可擴展性
1.7.4用戶興趣漂移
1.8評測指標
本章小結
參考文獻
第二篇基於時序的協同過濾推薦算法
第2章基於巴式係數改進相似度的協同過濾推薦算法
2.1引言
2.2相關工作
2.2.1餘弦相似度
2.2.2調整餘弦相似度
2.2.3Pearson相關係數
2.2.4Jaccard相似度
2.3一種巴氏係數改進相似度的協同過濾推薦算法
2.3.1巴氏係數
2.3.2巴氏係數相似度
2.3.3BCCF算法描述
2.4實驗與分析
2.4 .1數據集
2.4.2評價標準
2.4.3實驗結果與分析
本章小結
參考文獻
第3章基於用戶興趣和項目屬性的協同過濾推薦算法
3.1引言
3.2相關工作
3.3基於用戶興趣和項目屬性的協同過濾推薦算法
3.3.1基於時間的用戶興趣度權重
3.3.2改進相似度計算
3.3.3加權預測評分
3.3.4算法步驟
3.4實驗結果與分析
3.4.1數據集
3.4.2評價標準
3.4.3結果分析
本章小結
參考文獻
第三篇基於矩陣分解的協同過濾推薦算法
第4章SVD和信任因子相結合的協同過濾推薦算法
4.1引言
4.2標註和相關工作
4.2.1標註
4.2.2奇異值分解
4.2.3計算相似度
4.3SVD和信任因子相結合的協同過濾推薦算法
4.3.1項目特徵空間
4.3.2兩階段k近鄰選擇
4.3.3信任因子
4.3.4預測評分
4.3.5算法
4.4實驗結果與分析
4.4.1數據集和實驗環境
4.4.2評價標準
4.4.3實驗結果分析
本章小結
參考文獻
第5章相似度填充的概率矩陣分解的協同過濾推薦算法
5.1引言
5.2相關工作
5.2.1協同過濾推薦算法
5.2.2概率矩陣分解技術
5.3CFPFCF算法
5.3 .1算法設計思想
5.3.2CFPFCF算法的描述
5.4實驗分析
5.4.1數據集與誤差標準
5.4.2實驗結果與性能比較
本章小結
參考文獻
第6章基於偏置信息的改進概率矩陣分解算法研究
6.1引言
6.2相關工作
6.2.1矩陣分解模型
6.2.2Baseline預測
6.3算法流程
6.4實驗分析
6.4.1實驗所用數據集
6.4.2實驗環境配置
6.4.3實驗評價標準
6.4.4實驗結果及分析
本章小結
參考文獻
第7章基於項目屬性改進概率矩陣分解算法
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算法複雜度分析
7.3實驗結果對比分析
7.3.1實驗數據集
7.3.2實驗評價標準
7.3 .3對比實驗配置及說明
7.3.4實驗參數分析
7.3.5實驗對比
本章小結
參考文獻
第8章基於交替最小二乘的改進概率矩陣分解算法
8.1引言
8.2交替最小二乘
8.3Baseline預測
8.4IPMF算法
8.4.1算法改進思想
8.4.2算法流程
8.4.3複雜度分析
8.5實驗結果分析
8.5.1對比實驗設定
8.5 .2實驗分析
本章小結
參考文獻
第9章基於社交網絡的改進概率矩陣分解算法研究
9.1引言
9.2相關工作
9.2.1推薦系統的形式化
9.2.2矩陣分解與推薦系統
9.3概率矩陣分解
9.4主要研究內容
9.4.1基於社交網絡的改進概率矩陣分解
9.4.2算法流程
9.4.3算法複雜度分析
9.5實驗分析
9.5. 1實驗數據集
9.5.2實驗評價標準
9.5.3對比算法
9.5.4潛在因子維度的影響
9.5.5偏置的影響
9.5.6信任因子的影響
9.5.7對比實驗分析
本章小結
參考文獻
第10章帶偏置的非負矩陣分解推薦算法
10.1引言
10.2相關工作
10.2.1矩陣分解
10.2.2奇異值矩陣
10.2.3Baseline預測
10.2.4NMF算法
10.3RBNMF算法
10.3.1理論分析
10.3.2RBNMF算法流程
10.4實驗分析
10.4.1數據集
10.4.2評價標準
10.4.3實驗結果及分析
本章小結
參考文獻
第11章基於項目熱度的協同過濾推薦算法
11.1引言
11.2非負矩陣分解
11.3兩階段近鄰選擇
11.3.1兩階段k近鄰選擇
11.3.2項目“熱度”和局部信任
11.3.3預測評分
11.4算法描述
11.5實驗結果分析
11.5 .1不同策略下相似度的分佈
11.5.2兩種因素的分佈與分析
11.5.3實驗結果及分析
本章小結
參考文獻
第四篇基於信任的協同過濾推薦算法
第12章帶偏置的專家信任推薦算法
12.1引言
12.2相關工作
12.2.1專家算法
12.2.2生成推薦值
12.2.3Baseline預測
12.3改進專家算法
12.3.1改進專家信任
12.3.2評分形成
12.3.3算法描述
12.4實驗結果與分析
12.4.1數據集
12.4.2評估標準
12.4.3實驗結果及分析
本章小結
參考文獻
第13章一種改進專家信任的協同過濾推薦算法
13.1引言
13.2標註與相關工作
13.2.1標註
13.2.2近鄰模型
13.2.3專家算法
13.3改進專家算法
13.3.1重要概念
13.3.2評分形成
13.3.3算法描述
13.4實驗結果與分析
13.4.1數據集
13.4.2評估標準
13.4.3實驗結果與分析
本章小結
參考文獻
第五篇原型系統開發
第14章電影推薦原型系統
14.1引言
14.2主要功能
14.3關鍵技術
14.3.1概率矩陣分解模型
14.3.2社交網絡正則化
14.4集群搭建
14.4.1集群軟硬件環境
14.4.2Spark集群
14.4.3HBase集群
14.5系統特點
14.6用戶使用說明
14.6.1系統簡介界面
14.6.2建模一和建模二界面
14.6.3集群界面
14.6.4看過的電影界面
14.6.5推薦電影界面
14.6.6統計分析界面
參考文獻