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
信息檢索的反饋排序算法 版權信息
- ISBN：9787576808407
- 條形碼：9787576808407 ; 978-7-5768-0840-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
信息檢索的反饋排序算法 內容簡介
《信息檢索的反饋排序算法》主要介紹了本團隊在推薦系統召回階段和精排階段的一些研究成果，包括構造了一種基于三角形面積的三部圖推薦模型、基于混合參數優化二部圖推薦模型、基于時序衰減的推薦模型、基于word2vec游走的推薦模型和基于異質圖網絡表達學習的推薦模型等共5種方法。書中內容可以作為推薦系統研究人員的參考，也可以作為具體工業應用的推薦系統的算法基礎。
信息檢索的反饋排序算法 目錄
目錄
1推薦系統基礎001
1．1推薦系統簡介001
1．2推薦系統常用方法003
1．2．1協同過濾003
1．2．2基于內容的推薦算法005
1．2．3網絡拓撲結構推薦算法005
1．3推薦系統常用數據集與評價指標009
1．3．1常用數據集009
1．3．2評價指標010
1．4推薦系統面臨的挑戰012
2基于雙重自適應機制的異質信息網絡推薦算法014
2．1網絡表示學習014
2．1．1淺層神經網絡模型015
2．1．2深度神經網絡模型016
2．2異質信息網絡018
2．2．1異質信息網絡中的相似度計算018
2．2．2異質信息網絡中的表示學習019
2．3基于異質信息網絡的推薦算法022
2．4雙重自適應異質信息網絡推薦模型023
2．4．1模型總體思想023
2．4．2模型構建方法026
2．4．3整體流程030
2．5實驗結果及分析031
2．5．1對比實驗結果031
2．5．2模型設計驗證036
2．5．3推薦列表長度影響分析037
2．5．4參數敏感度分折038
3基于時間和神經網絡的推薦策略研究043
3．1基于物品綜合流行性的推薦算法044
3．1．1時間權重衰減模型044
3．1．2物品綜合流行性模型045
3．2實驗結果047
3．2．1數據劃分047
3．2．2ComPI模型與基準算法結合049
3．2．3ComPI模型與基于時效性算法對比051
3．2．4ComPI模型與*近度增加算法對比052
3．2．5ComPI模型的綜合對比分析054
3．3實驗分析056
3．3．1時間權重的影響056
3．3．2分箱數量的影響057
3．3．3數據特性的影響058
3．3．4時間信息與資源分配059
3．4基于神經網絡解決冷啟動問題的推薦研究061
3．4．1基于BP神經網絡解決冷啟動的推薦模型062
3．4．2基于CNN解決冷啟動的物品推薦模型066
3．5實驗結果及分析073
3．5．1評價指標073
3．5．2 BP-Rec模型實驗結果074
3．5．3 CNN-Rec模型實驗結果081
4基于粒子群優化參數的混合推薦算法087
4．1粒子群算法087
4．2混合算法IHM 088
4．3雙參數的IHM算法090
4．4算法參數改進的合理性說明092
4．5 IHM算法的參數優化094
4．6實驗與分析096
4．6．1對比算法096
4．6．2參數優化097
4．6．3實驗結果099
4．6．4多樣性提升分析102
4．6．5數據劃分對推薦結果的影響106
5基于word2vec的推薦系統模型研究112
5．1word2vec模型112
5．1．1 CBOW 112
5．1．2 Skip-gram 114
5．1．3分層softmax 115
5．1．4負采樣116
5．1．5高頻詞再抽樣117
5．2基于word2vec的圖隨機游走推薦優化模型117
5．2．1基于圖隨機游走更斷權重117
5．2．2更新推薦列表125
5．2．3推薦系統總體結構設計126
5．3試驗分析128
5．3．1數據集128
5．3．2數據預處理129
5．3．3參數設置130
5．3．4實驗結果與分析132
6基于混合策略的個性化推薦算法研究139
6．1馬爾可夫鏈及評價標準139
6．1．1馬爾可夫性及過程139
6．1．2轉移概率140
6．1．3算法性能測試方法141
6，1．4測試標準概述及認識142
6，1．5關于K-means算法的簡要介紹146
6．2基于混合策略的個性化推薦算法146
6．2．1混合策略146
6．2．2構建推薦模型147
6．2．3改變權重與面積校正152
6．2．4參數和多樣性分析153
6．3實驗與分析157
6．3．1結果預分析157
6．3．2實驗結果對比158
參考文獻180
1推薦系統基礎001
1．1推薦系統簡介001
1．2推薦系統常用方法003
1．2．1協同過濾003
1．2．2基于內容的推薦算法005
1．2．3網絡拓撲結構推薦算法005
1．3推薦系統常用數據集與評價指標009
1．3．1常用數據集009
1．3．2評價指標010
1．4推薦系統面臨的挑戰012
2基于雙重自適應機制的異質信息網絡推薦算法014
2．1網絡表示學習014
2．1．1淺層神經網絡模型015
2．1．2深度神經網絡模型016
2．2異質信息網絡018
2．2．1異質信息網絡中的相似度計算018
2．2．2異質信息網絡中的表示學習019
2．3基于異質信息網絡的推薦算法022
2．4雙重自適應異質信息網絡推薦模型023
2．4．1模型總體思想023
2．4．2模型構建方法026
2．4．3整體流程030
2．5實驗結果及分析031
2．5．1對比實驗結果031
2．5．2模型設計驗證036
2．5．3推薦列表長度影響分析037
2．5．4參數敏感度分折038
3基于時間和神經網絡的推薦策略研究043
3．1基于物品綜合流行性的推薦算法044
3．1．1時間權重衰減模型044
3．1．2物品綜合流行性模型045
3．2實驗結果047
3．2．1數據劃分047
3．2．2ComPI模型與基準算法結合049
3．2．3ComPI模型與基于時效性算法對比051
3．2．4ComPI模型與*近度增加算法對比052
3．2．5ComPI模型的綜合對比分析054
3．3實驗分析056
3．3．1時間權重的影響056
3．3．2分箱數量的影響057
3．3．3數據特性的影響058
3．3．4時間信息與資源分配059
3．4基于神經網絡解決冷啟動問題的推薦研究061
3．4．1基于BP神經網絡解決冷啟動的推薦模型062
3．4．2基于CNN解決冷啟動的物品推薦模型066
3．5實驗結果及分析073
3．5．1評價指標073
3．5．2 BP-Rec模型實驗結果074
3．5．3 CNN-Rec模型實驗結果081
4基于粒子群優化參數的混合推薦算法087
4．1粒子群算法087
4．2混合算法IHM 088
4．3雙參數的IHM算法090
4．4算法參數改進的合理性說明092
4．5 IHM算法的參數優化094
4．6實驗與分析096
4．6．1對比算法096
4．6．2參數優化097
4．6．3實驗結果099
4．6．4多樣性提升分析102
4．6．5數據劃分對推薦結果的影響106
5基于word2vec的推薦系統模型研究112
5．1word2vec模型112
5．1．1 CBOW 112
5．1．2 Skip-gram 114
5．1．3分層softmax 115
5．1．4負采樣116
5．1．5高頻詞再抽樣117
5．2基于word2vec的圖隨機游走推薦優化模型117
5．2．1基于圖隨機游走更斷權重117
5．2．2更新推薦列表125
5．2．3推薦系統總體結構設計126
5．3試驗分析128
5．3．1數據集128
5．3．2數據預處理129
5．3．3參數設置130
5．3．4實驗結果與分析132
6基于混合策略的個性化推薦算法研究139
6．1馬爾可夫鏈及評價標準139
6．1．1馬爾可夫性及過程139
6．1．2轉移概率140
6．1．3算法性能測試方法141
6，1．4測試標準概述及認識142
6，1．5關于K-means算法的簡要介紹146
6．2基于混合策略的個性化推薦算法146
6．2．1混合策略146
6．2．2構建推薦模型147
6．2．3改變權重與面積校正152
6．2．4參數和多樣性分析153
6．3實驗與分析157
6．3．1結果預分析157
6．3．2實驗結果對比158
參考文獻180
展開全部
信息檢索的反饋排序算法 作者簡介
作者簡介蔡彪，博士，教授，碩士生導師，中國人工智能學會機器博弈專委會副主任，成都理工大學“數字媒體資源管理科研創新團隊”負責人，中文核心期刊《計算機應用》《智能系統學報》及多個SCI期刊審稿人。近五年以第一作者及通信作者在ESWA等期刊發表SCI論文檢索7篇、EI檢索論文3篇，中文核心及CSCD期刊論文4篇，授權國家發明專利2項，新申請國家發明專利10項，獲登記軟件著作權23項。
書友推薦
- >
月亮與六便士
- >
龍榆生：詞曲概論/大家小書
- >
名家帶你讀魯迅:朝花夕拾
- >
【精裝繪本】畫給孩子的中國神話
- >
月亮虎
- >
有舍有得是人生
- >
苦雨齋序跋文-周作人自編集
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
