书籍详情
机器学习：因子分解机模型与推荐系统
作者：燕彩蓉，潘乔 著
出版社：科学出版社
出版时间：2019-02-01
ISBN：9787030601452
定价：¥58.00
购买这本书可以去
内容简介
因子分解机模型因为能够有效解决高维数据特征组合的稀疏问题且具有较高的预测准确度和计算效率，在广告点击率预测和推荐系统领域被广泛研究和应用。《机器学习 ： 因子分解机模型与推荐系统》对因子分解机模型及其相关模型的研究进展进行综述，阐述该模型的灵活性和普适性，对模型中有待深入研究的难点、热点及发展趋势进行展望。结合研究成果，进一步对该模型进行扩展，并将此扩展后的模型应用于时尚电商领域的推荐任务。提出大数据环境下时尚电商推荐系统框架、研究内容、关键问题，以及可以采用的相关技术，最后通过一个实例验证方案的可行性。
作者简介
暂缺《机器学习：因子分解机模型与推荐系统》作者简介
目录
目 录
前言
第1章 绪论 1
1.1 预测和推荐问题描述 1
1.2 研究意义 3
1.3 国内外研究现状及发展动态 4
1.3.1 数据稀疏性和冷启动问题 5
1.3.2 用户偏好和物品流行度动态建模 6
1.3.3 大数据处理和模型的扩展性 7
1.3.4 多样性和准确性平衡问题 8
1.4 本书组织结构 9
第2章 FM模型及其扩展 12
2.1 逻辑回归模型 12
2.2 基于因子分解的多项式回归模型 13
2.3 FM模型 14
2.4 FM模型与矩阵分解模型的转化 15
2.4.1 矩阵分解模型 15
2.4.2 FM模型转化为矩阵分解模型 16
2.5 FM模型的高阶扩展 17
2.6 FM模型的场交互扩展 18
2.7 FM模型的层次交互扩展 19
2.8 FM模型与其他模型的集成 20
2.9 本章小结 22
笫3章 特征工程及其对FM模型的影响 23
3.1 属性、特征、特征向量和数据集 23
3.2 特征工程 24
3.3 特征的来源 25
3.4 FM模型相关研究中的特征工程 27
3.5 FM模型的应用领域 30
3.6 本章小结 32
第4章 模型训练方法 33
4.1 预测和推荐模型的目标优化 33
4.2 模型训练方式 34
4.2.1 拟牛顿法 34
4.2.2 SGD系列算法 35
4.2.3 Gibbs采样算法 37
4.3 激活函数 38
4.4 过拟合问题 39
4.4.1 正则化方式 40
4.4.2 批规范化 41
4.4.3 Dropout及相关优化方法 42
4.5 本章小结 44
第5章 智能化场感知分解机 45
5.1 算法改进思路 45
5.2 iFFM模型 46
5.3 多样性处理 48
5.3.1 热扩散算法 48
5.3.2 两个模型的集成 50
5.4 实验结果与分析 50
5.4.1 实验环境 50
5.4.2 实验结果 51
5.5 本章小结 54
第6章 广义场感知分解机 55
6.1 模型改进思路 55
6.2 咐间因子 57
6.3 动态模型构建 58
6.4 GFFM模型评价 60
6.4.1 实验设置 60
6.4.2 实验结果及分析 62
6.5 本章小结 64
第7章 FM模型与深度学习模型的集成 65
7.1 FNN模型 65
7.2 Wide&Deep模型 66
7.3 Deep&Cross模型 67
7.4 DeepFM模型 68
7.5 NFM与AFM模型 68
7.6 宽度和深度学习模型集成方式分析 69
7.7 本章小结 70
第8章 基于稠密网络的广义场感知分解机 71
8.1 ResNet和DenseNet 71
8.2 DGFFM模型 73
8.2.1 Wide&Deep结构 73
8.2.2 FNN结构 74
8.3 DGFFM模型评价 75
8.3.1 实验设置 75
8.3.2 实验结果及分析 75
8.4 本章小结 76
第9章 FM模型实现库及并行化处理 77
9.1 libFM 一 77
9.1.1 libFM中核心类之间的关系 77
9.1.2 fm一learn类代码解析 78
9.2 FM的其他实现库 83
9.2.1 libFFM 83
9.2.2 fastFM 83
9.3 FM模型的其他优化方法 83
9.4 FM模型的并行实现 84
9.5 本章小结 87
第10章 时尚电商领域的推荐系统研究 88
10.1 深度学习为时尚推荐研究带来新思路 88
10.2 大数据环境下时尚电商推荐系统框架及面临的问题 89
10.3 融合视觉特征的推荐系统研究内容 90
10.3.1 融合非视觉属性与视觉特征及其时空动态性的推荐模型研究 91
10.3.2 面向大规模数据的并行化模型训练算法与技术研究 92
10.3.3 在线推荐引擎研究 92
10.4 关键问题 93
10.4.1 基于视觉特征的时空动态建模 93
10.4.2 模型训练的优化问题 93
10.4.3 推荐引擎的实时处理 93
10.5 相关技术 94
10.5.1 基于深度卷积神经网络的视觉特征提取方法 94
10.5.2 基于iFFM模型的非视觉属性建模 95
10.5.3 基于VBPR的视觉特征建模 96
10.5.4 基于马尔可夫链的时间序列预测 96
10.5.5 基于SGD算法的模型训练方法 97
10.5.6 基于TensorFlow的并行算法实现 98
10.6 本章小结 98
第11章 一个N-阶段购买决策模型 100
11.1 研究背景 100
11.2 特征处理与Wide&Deep plus框架 101
11.3 NSPD模型及其优化 102
11.4 实验与结果评价 105
11.4.1 数据集 105
11.4.2 评价指标 106
11.4.3 算法实现 106
11.4.4 实验结果 106
11.5 本章小结 108
参考文献 109
前言
第1章 绪论 1
1.1 预测和推荐问题描述 1
1.2 研究意义 3
1.3 国内外研究现状及发展动态 4
1.3.1 数据稀疏性和冷启动问题 5
1.3.2 用户偏好和物品流行度动态建模 6
1.3.3 大数据处理和模型的扩展性 7
1.3.4 多样性和准确性平衡问题 8
1.4 本书组织结构 9
第2章 FM模型及其扩展 12
2.1 逻辑回归模型 12
2.2 基于因子分解的多项式回归模型 13
2.3 FM模型 14
2.4 FM模型与矩阵分解模型的转化 15
2.4.1 矩阵分解模型 15
2.4.2 FM模型转化为矩阵分解模型 16
2.5 FM模型的高阶扩展 17
2.6 FM模型的场交互扩展 18
2.7 FM模型的层次交互扩展 19
2.8 FM模型与其他模型的集成 20
2.9 本章小结 22
笫3章 特征工程及其对FM模型的影响 23
3.1 属性、特征、特征向量和数据集 23
3.2 特征工程 24
3.3 特征的来源 25
3.4 FM模型相关研究中的特征工程 27
3.5 FM模型的应用领域 30
3.6 本章小结 32
第4章 模型训练方法 33
4.1 预测和推荐模型的目标优化 33
4.2 模型训练方式 34
4.2.1 拟牛顿法 34
4.2.2 SGD系列算法 35
4.2.3 Gibbs采样算法 37
4.3 激活函数 38
4.4 过拟合问题 39
4.4.1 正则化方式 40
4.4.2 批规范化 41
4.4.3 Dropout及相关优化方法 42
4.5 本章小结 44
第5章 智能化场感知分解机 45
5.1 算法改进思路 45
5.2 iFFM模型 46
5.3 多样性处理 48
5.3.1 热扩散算法 48
5.3.2 两个模型的集成 50
5.4 实验结果与分析 50
5.4.1 实验环境 50
5.4.2 实验结果 51
5.5 本章小结 54
第6章 广义场感知分解机 55
6.1 模型改进思路 55
6.2 咐间因子 57
6.3 动态模型构建 58
6.4 GFFM模型评价 60
6.4.1 实验设置 60
6.4.2 实验结果及分析 62
6.5 本章小结 64
第7章 FM模型与深度学习模型的集成 65
7.1 FNN模型 65
7.2 Wide&Deep模型 66
7.3 Deep&Cross模型 67
7.4 DeepFM模型 68
7.5 NFM与AFM模型 68
7.6 宽度和深度学习模型集成方式分析 69
7.7 本章小结 70
第8章 基于稠密网络的广义场感知分解机 71
8.1 ResNet和DenseNet 71
8.2 DGFFM模型 73
8.2.1 Wide&Deep结构 73
8.2.2 FNN结构 74
8.3 DGFFM模型评价 75
8.3.1 实验设置 75
8.3.2 实验结果及分析 75
8.4 本章小结 76
第9章 FM模型实现库及并行化处理 77
9.1 libFM 一 77
9.1.1 libFM中核心类之间的关系 77
9.1.2 fm一learn类代码解析 78
9.2 FM的其他实现库 83
9.2.1 libFFM 83
9.2.2 fastFM 83
9.3 FM模型的其他优化方法 83
9.4 FM模型的并行实现 84
9.5 本章小结 87
第10章 时尚电商领域的推荐系统研究 88
10.1 深度学习为时尚推荐研究带来新思路 88
10.2 大数据环境下时尚电商推荐系统框架及面临的问题 89
10.3 融合视觉特征的推荐系统研究内容 90
10.3.1 融合非视觉属性与视觉特征及其时空动态性的推荐模型研究 91
10.3.2 面向大规模数据的并行化模型训练算法与技术研究 92
10.3.3 在线推荐引擎研究 92
10.4 关键问题 93
10.4.1 基于视觉特征的时空动态建模 93
10.4.2 模型训练的优化问题 93
10.4.3 推荐引擎的实时处理 93
10.5 相关技术 94
10.5.1 基于深度卷积神经网络的视觉特征提取方法 94
10.5.2 基于iFFM模型的非视觉属性建模 95
10.5.3 基于VBPR的视觉特征建模 96
10.5.4 基于马尔可夫链的时间序列预测 96
10.5.5 基于SGD算法的模型训练方法 97
10.5.6 基于TensorFlow的并行算法实现 98
10.6 本章小结 98
第11章 一个N-阶段购买决策模型 100
11.1 研究背景 100
11.2 特征处理与Wide&Deep plus框架 101
11.3 NSPD模型及其优化 102
11.4 实验与结果评价 105
11.4.1 数据集 105
11.4.2 评价指标 106
11.4.3 算法实现 106
11.4.4 实验结果 106
11.5 本章小结 108
参考文献 109
猜您喜欢
