- 首頁
- >
- 書籍詳目頁
- 作者： 王建芳 (著)
- 學科分類： 科學類
- 書籍分類： 數位生活 ; 電機資訊學院
- 出版社： 清华大学出版社（崧博）
- 出版地：中國大陸
- 出版日期：2018/11/01
- 語文：簡體中文
- ISBN/識別號：9787302507833
机器学习算法实践：推荐系统的协同过滤理论及其应用
可使用：0人
線上閱讀中：0人
下載閱讀中：0人
借閱天數：0天
推薦採購不提供QR CODE
線上閱讀
本書提供兩種檔案格式，請選擇開啟：
EPUB彈性排版，可依載具大小自動斷行或換頁，較適合小螢幕閱讀。
書籍內容
TOP
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
-
封面页 - 书名页
- 版权页
- 内容简介
- 作者简介
- 前言 PREFACE
- 目录
- 第一篇 基础理论
- 第1章 理论入门
- 1.1 引言
- 1.2 推荐系统的形式化定义
- 1.3 基于近邻的协同过滤推荐算法
- 1.3.1 余弦相似度
- 1.3.2 修正余弦相似度
- 1.3.3 Pearson相似度
- 1.3.4 Jaccard相似度
- 1.4 基于用户兴趣的推荐算法
- 1.5 基于模型的协同过滤推荐算法
- 1.5.1 矩阵分解模型
- 1.5.2 交替最小二乘
- 1.5.3 概率矩阵分解
- 1.5.4 非负矩阵分解
- 1.6 基于信任的协同过滤推荐算法
- 1.7 推荐系统现存问题
- 1.7.1 冷启动
- 1.7.2 数据稀疏性
- 1.7.3 可扩展性
- 1.7.4 用户兴趣漂移
- 1.8 评测指标
- 本章小结
- 参考文献
- 第二篇 基于时序的协同过滤推荐算法
- 第2章 基于巴式系数改进相似度的协同过滤推荐算法
- 2.1 引言
- 2.2 相关工作
- 2.2.1 余弦相似度
- 2.2.2 调整余弦相似度
- 2.2.3 Pearson相关系数
- 2.2.4 Jaccard相似度
- 2.3 一种巴氏系数改进相似度的协同过滤推荐算法
- 2.3.1 巴氏系数
- 2.3.2 巴氏系数相似度
- 2.3.3 BCCF算法描述
- 2.4 实验与分析
- 2.4.1 数据集
- 2.4.2 评价标准
- 2.4.3 实验结果与分析
- 本章小结
- 参考文献
- 第3章 基于用户兴趣和项目属性的协同过滤推荐算法
- 3.1 引言
- 3.2 相关工作
- 3.3 基于用户兴趣和项目属性的协同过滤推荐算法
- 3.3.1 基于时间的用户兴趣度权重
- 3.3.2 改进相似度计算
- 3.3.3 加权预测评分
- 3.3.4 算法步骤
- 3.4 实验结果与分析
- 3.4.1 数据集
- 3.4.2 评价标准
- 3.4.3 结果分析
- 本章小结
- 参考文献
- 第三篇 基于矩阵分解的协同过滤推荐算法
- 第4章 SVD和信任因子相结合的协同过滤推荐算法
- 4.1 引言
- 4.2 标注和相关工作
- 4.2.1 标注
- 4.2.2 奇异值分解
- 4.2.3 计算相似度
- 4.3 SVD和信任因子相结合的协同过滤推荐算法
- 4.3.1 项目特征空间
- 4.3.2 两阶段k近邻选择
- 4.3.3 信任因子
- 4.3.4 预测评分
- 4.3.5 算法
- 4.4 实验结果与分析
- 4.4.1 数据集和实验环境
- 4.4.2 评价标准
- 4.4.3 实验结果分析
- 本章小结
- 参考文献
- 第5章 相似度填充的概率矩阵分解的协同过滤推荐算法
- 5.1 引言
- 5.2 相关工作
- 5.2.1 协同过滤推荐算法
- 5.2.2 概率矩阵分解技术
- 5.3 CF-PFCF算法
- 5.3.1 算法设计思想
- 5.3.2 CF-PFCF算法的描述
- 5.4 实验分析
- 5.4.1 数据集与误差标准
- 5.4.2 实验结果与性能比较
- 本章小结
- 参考文献
- 第6章 基于偏置信息的改进概率矩阵分解算法研究
- 6.1 引言
- 6.2 相关工作
- 6.2.1 矩阵分解模型
- 6.2.2 Baseline预测
- 6.3 算法流程
- 6.4 实验分析
- 6.4.1 实验所用数据集
- 6.4.2 实验环境配置
- 6.4.3 实验评价标准
- 6.4.4 实验结果及分析
- 本章小结
- 参考文献
- 第7章 基于项目属性改进概率矩阵分解算法
- 7.1 引言
- 7.2 IAR-BP算法
- 7.2.1 相似度度量
- 7.2.2 算法描述
- 7.2.3 算法复杂度分析
- 7.3 实验结果对比分析
- 7.3.1 实验数据集
- 7.3.2 实验评价标准
- 7.3.3 对比实验配置及说明
- 7.3.4 实验参数分析
- 7.3.5 实验对比
- 本章小结
- 参考文献
- 第8章 基于交替最小二乘的改进概率矩阵分解算法
- 8.1 引言
- 8.2 交替最小二乘
- 8.3 Baseline预测
- 8.4 IPMF算法
- 8.4.1 算法改进思想
- 8.4.2 算法流程
- 8.4.3 复杂度分析
- 8.5 实验结果分析
- 8.5.1 对比实验设定
- 8.5.2 实验分析
- 本章小结
- 参考文献
- 第9章 基于社交网络的改进概率矩阵分解算法研究
- 9.1 引言
- 9.2 相关工作
- 9.2.1 推荐系统的形式化
- 9.2.2 矩阵分解与推荐系统
- 9.3 概率矩阵分解
- 9.4 主要研究内容
- 9.4.1 基于社交网络的改进概率矩阵分解
- 9.4.2 算法流程
- 9.4.3 算法复杂度分析
- 9.5 实验分析
- 9.5.1 实验数据集
- 9.5.2 实验评价标准
- 9.5.3 对比算法
- 9.5.4 潜在因子维度的影响
- 9.5.5 偏置的影响
- 9.5.6 信任因子的影响
- 9.5.7 对比实验分析
- 本章小结
- 参考文献
- 第10章 带偏置的非负矩阵分解推荐算法
- 10.1 引言
- 10.2 相关工作
- 10.2.1 矩阵分解
- 10.2.2 奇异值矩阵
- 10.2.3 Baseline预测
- 10.2.4 NMF算法
- 10.3 RBNMF算法
- 10.3.1 理论分析
- 10.3.2 RBNMF算法流程
- 10.4 实验分析
- 10.4.1 数据集
- 10.4.2 评价标准
- 10.4.3 实验结果及分析
- 本章小结
- 参考文献
- 第11章 基于项目热度的协同过滤推荐算法
- 11.1 引言
- 11.2 非负矩阵分解
- 11.3 两阶段近邻选择
- 11.3.1 两阶段k近邻选择
- 11.3.2 项目“热度”和局部信任
- 11.3.3 预测评分
- 11.4 算法描述
- 11.5 实验结果分析
- 11.5.1 不同策略下相似度的分布
- 11.5.2 两种因素的分布与分析
- 11.5.3 实验结果及分析
- 本章小结
- 参考文献
- 第四篇 基于信任的协同过滤推荐算法
- 第12章 带偏置的专家信任推荐算法
- 12.1 引言
- 12.2 相关工作
- 12.2.1 专家算法
- 12.2.2 生成推荐值
- 12.2.3 Baseline预测
- 12.3 改进专家算法
- 12.3.1 改进专家信任
- 12.3.2 评分形成
- 12.3.3 算法描述
- 12.4 实验结果与分析
- 12.4.1 数据集
- 12.4.2 评估标准
- 12.4.3 实验结果及分析
- 本章小结
- 参考文献
- 第13章 一种改进专家信任的协同过滤推荐算法
- 13.1 引言
- 13.2 标注与相关工作
- 13.2.1 标注
- 13.2.2 近邻模型
- 13.2.3 专家算法
- 13.3 改进专家算法
- 13.3.1 重要概念
- 13.3.2 评分形成
- 13.3.3 算法描述
- 13.4 实验结果与分析
- 13.4.1 数据集
- 13.4.2 评估标准
- 13.4.3 实验结果与分析
- 本章小结
- 参考文献
- 第五篇 原型系统开发
- 第14章 电影推荐原型系统
- 14.1 引言
- 14.2 主要功能
- 14.3 关键技术
- 14.3.1 概率矩阵分解模型
- 14.3.2 社交网络正则化
- 14.4 集群搭建
- 14.4.1 集群软硬件环境
- 14.4.2 Spark集群
- 14.4.3 HBase集群
- 14.5 系统特点
- 14.6 用户使用说明
- 14.6.1 系统简介界面
- 14.6.2 建模一和建模二界面
- 14.6.3 集群界面
- 14.6.4 看过的电影界面
- 14.6.5 推荐电影界面
- 14.6.6 统计分析界面
- 参考文献
下載書籍。
