掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥29.9
加入購(gòu)物車
推薦系統(tǒng) 版權(quán)信息
- ISBN：9787115310699
- 條形碼：9787115310699 ; 978-7-115-31069-9
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>>
推薦系統(tǒng) 本書特色
當(dāng)你在網(wǎng)上瀏覽一件商品時(shí)，附近總會(huì)出現(xiàn)“購(gòu)買此商品的顧客還購(gòu)買過(guò)……”或“看過(guò)此商品的顧客還看過(guò)……”這樣的推薦信息。在這個(gè)物質(zhì)供應(yīng)極度豐富的時(shí)代，對(duì)于顧客來(lái)說(shuō)，面對(duì)眾多令人眼花繚亂的商品，該選擇哪一個(gè)呢？于是，推薦商品起到了關(guān)鍵作用，而這些商品的背后就是推薦系統(tǒng)。 推薦系統(tǒng)的出現(xiàn)使人們能夠快速準(zhǔn)確地發(fā)現(xiàn)他們感興趣的商品或信息，大大推動(dòng)了電子商務(wù)的成功以及互聯(lián)網(wǎng)的發(fā)展。推薦系統(tǒng)的應(yīng)用不僅僅局限于電子商務(wù)，隨著技術(shù)的不斷創(chuàng)新，它已經(jīng)滲透進(jìn)了互聯(lián)網(wǎng)的方方面面，從電影、音樂(lè)到社交網(wǎng)絡(luò)、閱讀以及廣告，幾乎每個(gè)角落都有推薦系統(tǒng)的身影。在未來(lái)的互聯(lián)網(wǎng)發(fā)展中，誰(shuí)掌握了推薦系統(tǒng)，誰(shuí)就會(huì)是大的贏家。 《推薦系統(tǒng)》是一本全面講解推薦系統(tǒng)的經(jīng)典佳作，作者均為該領(lǐng)域的領(lǐng)軍人物。在《推薦系統(tǒng)》中，他們從協(xié)同推薦、基于內(nèi)容的推薦、基于知識(shí)的推薦等多個(gè)方面，詳細(xì)介紹了推薦系統(tǒng)的基本概念，并在第二部分中對(duì)推薦系統(tǒng)的新發(fā)展進(jìn)行了講解。本書對(duì)如何開(kāi)發(fā)先進(jìn)的推薦系統(tǒng)，如何自動(dòng)提供各種各樣的選擇策略，進(jìn)而向客戶提供實(shí)惠、個(gè)性和高質(zhì)量的推薦做了概述。作者不僅介紹了生成個(gè)性化購(gòu)買建議的算法，還對(duì)如何衡量推薦系統(tǒng)的有效性進(jìn)行了討論，并結(jié)合實(shí)際案例研究進(jìn)行了說(shuō)明。 通過(guò)對(duì)本書的學(xué)習(xí)，讀者不僅可以全面系統(tǒng)地了解該領(lǐng)域的基礎(chǔ)原理，還能試驗(yàn)如何搭建一套真正的推薦系統(tǒng)。 —— 百度主任架構(gòu)師、百度技術(shù)委員會(huì)主席 廖若雪 本書比較全面地介紹了推薦系統(tǒng)涉及的相關(guān)知識(shí)點(diǎn)，很適合對(duì)于推薦系統(tǒng)感興趣的相關(guān)人員作為入門教程，目前能夠系統(tǒng)全面介紹相關(guān)技術(shù)的中文書籍還顯得匱乏，相信這本譯著對(duì)于緩解這種情況大有裨益。 ——新浪微博數(shù)據(jù)挖掘技術(shù)專家 張俊林 本書不但介紹了比較成熟的經(jīng)典算法，還介紹了*近幾年的一些新進(jìn)展，并輔之以實(shí)際應(yīng)用的案例介紹。希望看到越來(lái)越多的朋友加入到推薦引擎的研究和應(yīng)用中來(lái)！ ——百分點(diǎn)信息科技有限公司首席運(yùn)營(yíng)官兼技術(shù)副總裁 張韶峰 由蔣凡執(zhí)筆翻譯的這本《推薦系統(tǒng)》是一本從基礎(chǔ)介紹推薦引擎的難得的好書，給人啟迪良多。愿越來(lái)越多的互聯(lián)網(wǎng)愛(ài)好者認(rèn)真閱讀本書，走在互聯(lián)網(wǎng)發(fā)展大潮的前沿，成為下一代互聯(lián)網(wǎng)產(chǎn)品真正需要的人才。 ——人民搜索商務(wù)搜索部總監(jiān) 常興龍 這是迄今為止市面上所有講推薦系統(tǒng)的書中*全面、*實(shí)用的一本入門指南。如果你是教這門課的大學(xué)老師，萬(wàn)萬(wàn)不能錯(cuò)過(guò)這本“推薦系統(tǒng)大全”。尤其值得稱道的是，這本書廣泛涵蓋了不同類型的推薦系統(tǒng)，并對(duì)它們逐一進(jìn)行了鞭辟入里、細(xì)致入微的剖析。雖然這本書定位于初中級(jí)讀者，但是我認(rèn)為即使是經(jīng)驗(yàn)豐富的專業(yè)人員，也會(huì)在其中發(fā)現(xiàn)新鮮有趣的內(nèi)容。 ——Robin Burke, 芝加哥德保羅大學(xué)教授 本書涵蓋了推薦系統(tǒng)領(lǐng)域的全部知識(shí)，并為應(yīng)對(duì)未來(lái)新的挑戰(zhàn)提供了前瞻性建議。書中全面解釋了一系列生成推薦的經(jīng)典算法和方法，概述了源自社交計(jì)算和語(yǔ)義網(wǎng)的新手段對(duì)推薦系統(tǒng)的作用。希望這本書能夠點(diǎn)燃你的激情，釋放你的創(chuàng)造力和進(jìn)取精神，把推薦系統(tǒng)的研究與應(yīng)用推向新的高度。 ——Joseph A. Konstan, 美國(guó)明尼蘇達(dá)大學(xué)教授
推薦系統(tǒng) 內(nèi)容簡(jiǎn)介
《推薦系統(tǒng)》全面闡述了開(kāi)發(fā)*先進(jìn)推薦系統(tǒng)的方法，其中呈現(xiàn)了許多經(jīng)典算法，并討論了如何衡量推薦系統(tǒng)的有效性。書中內(nèi)容分為基本概念和*新進(jìn)展兩部分：前者涉及協(xié)同推薦、基于內(nèi)容的推薦、基于知識(shí)的推薦、混合推薦方法，推薦系統(tǒng)的解釋、評(píng)估推薦系統(tǒng)和實(shí)例分析；后者包括針對(duì)推薦系統(tǒng)的攻擊、在線消費(fèi)決策、推薦系統(tǒng)和下一代互聯(lián)網(wǎng)以及普適環(huán)境中的推薦。此外，《推薦系統(tǒng)》還包含大量的圖、表和示例，有助于讀者理解和把握相關(guān)知識(shí)。 《推薦系統(tǒng)》適用于從事搜索引擎、推薦算法、數(shù)據(jù)挖掘等研發(fā)工作的專業(yè)人員以及對(duì)推薦系統(tǒng)感興趣的讀者。
推薦系統(tǒng) 目錄
第1章 引言
1.1 **部分：基本概念
1.1.1 協(xié)同過(guò)濾推薦
1.1.2 基于內(nèi)容的推薦
1.1.3 基于知識(shí)的推薦
1.1.4 混合推薦方法
1.1.5 推薦系統(tǒng)的解釋
1.1.6 評(píng)估推薦系統(tǒng)
1.1.7 案例研究
1.2 第二部分：*新進(jìn)展
**部分 基本概念
第2章 協(xié)同過(guò)濾推薦
2.1 基于用戶的*近鄰?fù)扑]
2.1.1 **個(gè)例子
2.1.2 更好的相似度和賦權(quán)體系
2.1.3 選擇近鄰
2.2 基于物品的*近鄰?fù)扑]
2.2.1 余弦相似度度量
2.2.2 基于物品過(guò)濾的數(shù)據(jù)預(yù)處理
2.3 關(guān)于評(píng)分
2.3.1 隱式和顯式評(píng)分
2.3.2 數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題
2.4 更多基于模型和預(yù)處理的方法
2.4.1 矩陣因子分解
2.4.2 關(guān)聯(lián)規(guī)則挖掘
2.4.3 基于概率分析的推薦方法
2.5 近來(lái)實(shí)際的方法和系統(tǒng)
2.5.1 slope one預(yù)測(cè)器
2.5.2 google新聞個(gè)性化推薦引擎
2.6 討論和小結(jié)
2.7 書目注釋
第3章 基于內(nèi)容的推薦
3.1 內(nèi)容表示和相似度
3.1.1 向量空間模型和tf-idf
3.1.2 向量空間模型的改進(jìn)及局限
3.2 基于內(nèi)容相似度檢索
3.2.1 *近鄰
3.2.2 相關(guān)性反饋——rocchio方法
3.3 其他文本分類方法
3.3.1 基于概率模型的方法
3.3.2 其他線性分類器和機(jī)器學(xué)習(xí)
3.3.3 顯式?jīng)Q策模型
3.3.4 特征選擇
3.4 討論
3.4.1 對(duì)比評(píng)估
3.4.2 局限
3.5 小結(jié)
3.6 書目注釋
第4章 基于知識(shí)的推薦
4.1 介紹
4.2 知識(shí)表示法和推理
4.2.1 約束
4.2.2 實(shí)例與相似度
4.3 與基于約束推薦系統(tǒng)交互
4.3.1 默認(rèn)設(shè)置
4.3.2 處理不滿意的需求和空結(jié)果集
4.3.3 提出對(duì)未滿足需求的修改建議
4.3.4 對(duì)基于物品/效用推薦結(jié)果的排序
4.4 與基于實(shí)例的推薦系統(tǒng)交互
4.4.1 評(píng)價(jià)
4.4.2 混合評(píng)價(jià)
4.4.3 動(dòng)態(tài)評(píng)價(jià)
4.4.4 高級(jí)的物品推薦方法
4.4.5 評(píng)價(jià)多樣性
4.5 應(yīng)用實(shí)例
4.5.1 vita——基于約束的推薦系統(tǒng)
4.5.2 entree——基于實(shí)例的推薦系統(tǒng)
4.6 書目注釋
第5章 混合推薦方法
5.1 混合推薦的時(shí)機(jī)
5.1.1 推薦理論框架
5.1.2 混合設(shè)計(jì)
5.2 整體式混合設(shè)計(jì)
5.2.1 特征組合的混合方案
5.2.2 特征補(bǔ)充的混合方案
5.3 并行式混合設(shè)計(jì)
5.3.1 交叉式混合
5.3.2 加權(quán)式混合
5.3.3 切換式混合
5.4 流水線混合設(shè)計(jì)
5.4.1 串聯(lián)混合
5.4.2 分級(jí)混合
5.5 討論和小結(jié)
5.6 書目注釋
第6章 推薦系統(tǒng)的解釋
6.1 介紹
6.2 基于約束的推薦系統(tǒng)中的解釋
6.2.1 實(shí)例
6.2.2 通過(guò)推導(dǎo)生成解釋
6.2.3 可靠解釋的分析與概述
6.2.4 可靠解釋
6.3 基于實(shí)例推薦系統(tǒng)的解釋
6.4 協(xié)同過(guò)濾推薦系統(tǒng)的解釋
6.5 小結(jié)
第7章 評(píng)估推薦系統(tǒng)
7.1 介紹
7.2 評(píng)估研究的一般特性
7.2.1 總論
7.2.2 評(píng)估方案的實(shí)驗(yàn)對(duì)象
7.2.3 研究方法
7.2.4 評(píng)估環(huán)境
7.3 主流推薦方案
7.4 歷史數(shù)據(jù)集評(píng)估
7.4.1 方法論
7.4.2 衡量標(biāo)準(zhǔn)
7.4.3 結(jié)果的分析
7.5 其他評(píng)估方案
7.5.1 實(shí)驗(yàn)性研究方案
7.5.2 準(zhǔn)實(shí)驗(yàn)研究方案
7.5.3 非實(shí)驗(yàn)研究方案
7.6 小結(jié)
7.7 書目注釋
第8章 案例分析：移動(dòng)互聯(lián)網(wǎng)個(gè)性化游戲推薦
8.1 應(yīng)用與個(gè)性化概述
8.2 算法和評(píng)級(jí)
8.3 評(píng)估
8.3.1 測(cè)量1：我的推薦
8.3.2 測(cè)量2：售后推薦
8.3.3 測(cè)量3：起始頁(yè)推薦
8.3.4 測(cè)量4：演示版下載的整體效果
8.3.5 測(cè)量5：整體效果
8.4 小結(jié)與結(jié)論
第二部分 *新進(jìn)展
第9章 針對(duì)協(xié)同推薦系統(tǒng)的攻擊
9.1 **個(gè)例子
9.2 攻擊維度
9.3 攻擊類型
9.3.1 隨機(jī)攻擊
9.3.2 均值攻擊
9.3.3 造勢(shì)攻擊
9.3.4 局部攻擊
9.3.5 針對(duì)性的打壓攻擊
9.3.6 點(diǎn)擊流攻擊和隱式反饋
9.4 效果評(píng)估和對(duì)策
9.4.1 推舉攻擊
9.4.2 打壓攻擊
9.5 對(duì)策
9.6 隱私方面——分布式協(xié)同過(guò)濾
9.6.1 集中方法：數(shù)據(jù)擾動(dòng)
9.6.2 分布式協(xié)同過(guò)濾
9.7 討論
第10章 在線消費(fèi)決策
10.1 介紹
10.2 環(huán)境效應(yīng)
10.3 首位/新近效應(yīng)
10.4 其他效應(yīng)
10.5 個(gè)人和社會(huì)心理學(xué)
10.6 書目注釋
第11章 推薦系統(tǒng)和下一代互聯(lián)網(wǎng)
11.1 基于信任網(wǎng)絡(luò)的推薦系統(tǒng)
11.1.1 利用顯式的信任網(wǎng)絡(luò)
11.1.2 信任度度量方法和效果
11.1.3 相關(guān)方法和近期進(jìn)展
11.2 大眾分類法及其他
11.2.1 基于大眾分類法的推薦
11.2.2 推薦標(biāo)簽
11.2.3 在分享媒體中推薦內(nèi)容
11.3 本體過(guò)濾
11.3.1 通過(guò)分類改進(jìn)過(guò)濾
11.3.2 通過(guò)屬性改進(jìn)過(guò)濾
11.4 從網(wǎng)絡(luò)抽取語(yǔ)義
11.5 小結(jié)
第12章 普適環(huán)境中的推薦
12.1 介紹
12.2 上下文感知推薦
12.3 應(yīng)用領(lǐng)域
12.4 小結(jié)
第13章 總結(jié)和展望
13.1 總結(jié)
13.2 展望
參考文獻(xiàn)
索引
展開(kāi)全部
推薦系統(tǒng) 作者簡(jiǎn)介
Dietmar Jannach，德國(guó)的多特蒙德工業(yè)大學(xué)（Technische Universit?t Dortmund）計(jì)算機(jī)科學(xué)系客座教授。他發(fā)表過(guò)一百多篇科學(xué)論文，是《應(yīng)用智能》雜志編委會(huì)和《國(guó)際電子商務(wù)雜志》評(píng)審委員會(huì)成員。 Markus Zanker，是奧地利克拉根福阿爾卑斯-亞德里大學(xué)（Alpen-Adria Universit?t Klagenfurt）應(yīng)用信息學(xué)系助理教授及信息管理研究項(xiàng)目主任。他還是《人機(jī)交互研究國(guó)際雜志》的副主編和 ConfigWorks GmbH的共同創(chuàng)始人及執(zhí)行總監(jiān)。 Alexander Felfernig，奧地利格拉茨工業(yè)大學(xué)（Technische Universit?t Graz）教授。他在推薦及配置系統(tǒng)方面的研究成果榮獲2009年度的Heinz Zemanek獎(jiǎng)。他發(fā)表過(guò)130多篇科學(xué)論文，是《國(guó)際電子商務(wù)雜志》的評(píng)審委員會(huì)成員，ConfigWorks GmbH的共同創(chuàng)始人。 Gerhard Friedrich，奧地利克拉根福阿爾卑斯-亞德里大學(xué)客座教授，應(yīng)用信息學(xué)院院長(zhǎng)，智能系統(tǒng)和商業(yè)信息課題組組長(zhǎng)。《人工智能通信》的編輯，《大規(guī)模定制國(guó)際雜志》的副主編。
書友推薦
- >
中國(guó)歷史的瞬間
- >
月亮虎
- >
推拿
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
李白與唐代文化
- >
史學(xué)評(píng)論
- >
山海經(jīng)
本類暢銷
