掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習算法實踐:推薦系統的協同過濾理論及其應用 版權信息
- ISBN：9787302507833
- 條形碼：9787302507833 ; 978-7-302-50783-3
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習算法實踐:推薦系統的協同過濾理論及其應用 本書特色
推薦系統發展到現在產生了許多具有廣泛影響力的算法模型，經典的算法是協同過濾算法，其易于實現，因而具有廣泛的實用價值，但它也存在著算法復雜度高和推薦精度低的問題。《機器學習算法實踐——推薦系統的協同過濾理論及其應用》提出了一系列改進協同過濾推薦質量的方法，并將相關算法應用到實際生活中，開發出一個原型系統。
機器學習算法實踐:推薦系統的協同過濾理論及其應用 內容簡介
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，并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，已廣泛應用于大型電子商務平臺、社交平臺、新聞客戶端以及其他各類旅游和娛樂類網站中。
本書內容豐富，較全面地介紹了基于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。
機器學習算法實踐:推薦系統的協同過濾理論及其應用 目錄
目錄
**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基于近鄰的協同過濾推薦算法
1．3．1余弦相似度
1．3．2修正余弦相似度
1．3．3Pearson相似度
1．3．4Jaccard相似度
1．4基于用戶興趣的推薦算法
1．5基于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*小二乘
1．5．3概率矩陣分解
1．5．4非負矩陣分解
1．6基于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
第二篇基于時序的協同過濾推薦算法
第2章基于巴式系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余弦相似度
2．2．2調整余弦相似度
2．2．3Pearson相關系數
2．2．4Jaccard相似度
2．3一種巴氏系數改進相似度的協同過濾推薦算法
2．3．1巴氏系數
2．3．2巴氏系數相似度
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章基于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基于用戶興趣和項目屬性的協同過濾推薦算法
3．3．1基于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
第三篇基于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標注和相關工作
4．2．1標注
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項目特征空間
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章基于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章基于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算法復雜度分析
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章基于交替*小二乘的改進概率矩陣分解算法
8．1引言
8．2交替*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復雜度分析
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章基于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基于社交網絡的改進概率矩陣分解
9．4．2算法流程
9．4．3算法復雜度分析
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章基于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布
11.5.2兩種因素的分布與分析
11.5.3實驗結果及分析
本章小結
參考文獻
第四篇基于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標注與相關工作
13.2.1標注
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
展開全部
機器學習算法實踐:推薦系統的協同過濾理論及其應用 節選
3．1引言 個性化推薦是從海量數據中挖掘出有用信息的一種技術，協同過濾是其應用*廣泛、*成功的推薦算法之一，通過收集和分析用戶的信息數據來學習用戶的興趣偏好和行為模式，從而為用戶推薦所需要的信息或商品。 傳統的協同過濾推薦算法忽略了隨著時間變化而用戶的興趣也在不斷發生變化的問題，即存在用戶興趣漂移現象。用戶的興趣偏好不但范圍廣泛，而且實時變化。例如，一個孩子在幾歲時可能對動畫片感興趣，青春期可能對浪漫愛情片感興趣，隨后有可能對文藝片感興趣，再過幾年可能對劇情片感興趣，等等。隨著時間推移，用戶的關注點在不斷變化，如何捕獲這一動態的時間效應是個難題。 通常將時間窗作為判斷用戶興趣變化的一種表征方式，采用加權處理的方法，來提高推薦質量。文獻［1］通過對心理遺忘曲線擬合出用戶興趣權重函數，提出基于時間窗的改進協同過濾推薦算法，從而追蹤和學習用戶的興趣偏好； 文獻［2］~［4］提出基于評價時間數據權重的用戶興趣度量函數，使得用戶*可能感興趣近期訪問過的資源。這些方法在相似度度量過程中加入了時間因子，從一定程度上解決了用戶興趣漂移問題，但是忽略了不同對象的類別屬性等特征信息，這在一定程度上也會影響*終的推薦質量。 針對這一問題，本章提出了一種基于用戶興趣和項目屬性的協同過濾推薦算法，在傳統的用戶—項目評分矩陣基礎上綜合考慮用戶偏好、評分時間以及項目屬性特征等因素，先在計算相似度過程中加入時間邏輯性因素，再與項目屬性相似度進行融合，明確用戶對項目中各個屬性的偏好程度，更能體現出用戶的行為需求。
機器學習算法實踐:推薦系統的協同過濾理論及其應用 作者簡介
王建芳，博士，副教授，碩士研究生導師，現任河南理工大學ACM／ICPC總教練；主要從事人工智能、數據挖掘和智能計算算法等方向的研究工作，具有豐富的系統研究開發經驗和扎實的理論基礎知識。長期指導學生參加各種程序算法設計類競賽，并多次獲得省級及以上獎勵；曾多次獲得相關賽事的“優秀指導教師”稱號。
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
小考拉的故事-套裝共3冊
- >
經典常談
- >
有舍有得是人生
- >
巴金－再思錄
- >
莉莉和章魚
- >
上帝之肋:男人的真實旅程
- >
二體千字文
本類暢銷
