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
推薦算法及應用 版權信息
- ISBN：9787563562503
- 條形碼：9787563562503 ; 978-7-5635-6250-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
推薦算法及應用 內容簡介
本書是一本介紹推薦算法的基礎教材，采用了“理論+實踐”的形式組織內容。本書前6章用通俗易懂的方式介紹了經典推薦算法(主要包括基于內容的推薦算法、基于用戶的協同過濾推薦算法、基于物品的協同過濾推薦算法、基于矩陣分解的協同過濾推薦算法、基于深度學習的推薦算法、混合推薦算法，以及推薦算法的評估)。本書后5章的推薦算法案例都是較為完整的推薦系統案例，核心代碼非常精簡，并易于在實際中擴展，可以說是入門級學習者**的閱讀資料。 本書適合高年級本科生、高校教師、研究生等學習，也可作為初入職場的推薦算法工程師的參考書。
推薦算法及應用 目錄
目錄
**部分推薦算法理論部分
第1章推薦算法基礎3
1.1推薦算法的定義3
1.2推薦系統發展簡史4
1.3推薦系統分類6
1.3.1基于內容的推薦算法7
1.3.2基于協同過濾的推薦算法8
1.3.3混合推薦算法10
1.3.4特定推薦算法11
1.4推薦系統與搜索引擎的關系11
1.5推薦算法的應用13
1.5.1新聞的推薦14
1.5.2視頻的推薦15
1.5.3商品的推薦16
1.5.4短視頻的推薦17
1.5.5社交媒體的推薦17
第2章基于內容的推薦算法19
2.1TFIDF計算內容相似20
2.1.1TFIDF的概念20
2.1.2計算文章相似性21
2.1.3TFIDF算法的實現22
2.2用Word2Vec計算內容相似26
2.2.1CBOW OneWord Context模型26
2.2.2CBOW MultiWord Context模型30
2.2.3SkipGram模型31
2.3算法優化33
2.3.1分層Softmax33
2.3.2負采樣35
2.3.3對高頻詞進行下采樣36
2.4基于內容的推薦算法的過程36
2.4.1內容表征36
2.4.2特征學習37
2.4.3生成推薦列表38
第3章協同過濾推薦算法39
3.1基于用戶的協同過濾推薦算法39
3.1.1基礎算法39
3.1.2用戶相似度計算的改進44
3.1.3UserCF推薦算法的詳細過程45
3.2基于物品的協同過濾推薦算法48
3.2.1基于用戶的協同過濾推薦算法和基于物品的協同過濾推薦算法的區別48
3.2.2基礎算法50
3.2.3用戶活躍度對物品相似度的影響55
3.2.4物品相似度的歸一化57
3.2.5ItemCF推薦算法的詳細過程57
3.3基于矩陣分解的協同過濾推薦算法61
3.3.1顯式數據和隱式數據61
3.3.2顯式矩陣分解62
3.3.3隱式矩陣分解63
3.3.4增量矩陣分解算法65
3.3.5推薦結果的可解釋性66
第4章基于深度學習的推薦算法67
4.1深度學習的定義67
4.2基于深度學習的推薦68
4.2.1DNN算法68
4.2.2DeepFM算法73
4.2.3基于矩陣分解和圖像特征的推薦75
4.2.4基于循環神經網絡的推薦76
4.2.5基于生成式對抗網絡的推薦77
第5章混合推薦算法80
5.1混合推薦系統概述80
5.1.1混合推薦的意義80
5.1.2混合推薦算法的分類82
5.2推薦系統特征處理方法84
5.2.1特征處理方法84
5.2.2特征選取方法86
5.3常見的預測模型88
5.3.1基于邏輯回歸的模型88
5.3.2基于支持向量機的模型89
5.3.3基于梯度提升樹的模型90
5.4排序學習91
5.4.1基于排序的指標來優化91
5.4.2L2R算法的3種情形92
第6章推薦算法的評估95
6.1可解釋性95
6.2算法評價96
6.3研究前景98
第二部分推薦算法應用案例
第7章基于內容的推薦案例105
7.1數據集106
7.2數據預處理106
7.3使用mysql存儲數據109
7.4分詞112
7.5基于TFIDF的推薦114
7.6訓練詞向量116
7.7基于Word2Vec的推薦119
第8章基于用戶的協同過濾推薦案例122
8.1導入數據122
8.2用戶相似度計算123
8.3物品評分排名124
8.4推薦主函數126
第9章基于物品的協同過濾推薦案例127
9.1基本概念127
9.2基于物品的推薦127
第10章基于矩陣分解的推薦案例132
10.1利用梯度下降法對矩陣進行分解132
10.2基于非負矩陣分解的推薦136
第11章基于深度學習的推薦案例139
11.1數據集139
11.2基于線性模型的簡單案例140
11.3基于文本卷積神經網絡的推薦142
11.3.1數據預處理142
11.3.2模型訓練147
11.3.3模型預測157
11.3.4推薦排序160
11.3.5PyQt5界面開發165
參考文獻169
展開全部
推薦算法及應用 作者簡介
高華玲，女，1980.10生于河北唐山，三亞學院信息與智能工程學院講師，2004年畢業于燕山大學理學院信息與計算科學專業，獲學士學位。2011年畢業于廣西師范大學計算機科學與信息工程學院，獲工學碩士學位。主要從事計算機教育、圖像處理、視覺計算、大數據可視化、推薦算法等方面的研究。主持三亞市科研項目《智能視頻監控技術的研究與應用》，校內科研項目《面向旅游領域的語義搜索引擎研究》和《基于信息隱藏的多媒體數據傳輸技術研究》，發表學術論文10余篇，主編教材《C語言程序設計思想與實踐研究》，參編教材《深度學習》、《大學計算機基礎與實訓教程》。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
山海經
- >
名家帶你讀魯迅:朝花夕拾
- >
苦雨齋序跋文-周作人自編集
- >
我與地壇
- >
推拿
- >
月亮與六便士
- >
有舍有得是人生
本類暢銷
