书籍详情

智能推荐技术

智能推荐技术

作者:潘微科,林晶,明仲

出版社:清华大学出版社

出版时间:2022-04-01

ISBN:9787302600107

定价:¥69.80

购买这本书可以去
内容简介
  《智能推荐技术(大数据与人工智能技术丛书)》围绕电商、资讯等众多实际应用背后的内核,即智能推荐技术,系统介绍经典和前沿技术,包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。《智能推荐技术(大数据与人工智能技术丛书)》围绕用户行为数据的建模问题组织内容,全书共分6部分: 第1部分(第1章)为背景和基础; 第2部分(第2~4章)为单行为推荐,是指仅对一种显式反馈(如评分)或一种隐式反馈(如浏览)数据进行建模; 第3部分(第5~6章)为多行为推荐,是指同时考虑浏览和购买等包含多种行为的数据; 第4部分(第7~8章)为序列推荐,是指同时关注用户行为和这些行为的先后顺序; 第5部分(第9~10章)为联邦推荐,更加关注用户行为中的隐私和数据安全问题; 第6部分(第11章)为总结与展望。全书综合梳理了多个智能推荐问题和相关技术,分析了方法的优缺点和内在联系,并在每章结束时提供了详细的参考文献和有针对性的习题。《智能推荐技术(大数据与人工智能技术丛书)》可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材,也可以作为推荐系统工程师的参考手册。
作者简介
  潘微科,博士,深圳大学计算机与软件学院副教授,硕士生导师,深圳市优秀教师。主要研究方向为迁移学习、联邦学习、推荐系统和机器学习,曾获ACM TiiS 2016论文奖和SDM 2013论文提名奖。主持国家自然科学基金面上项目等多个科研项目,担任知名国际期刊的编委、客座编委和杰出审稿人。林晶,硕士,深圳大学计算机与软件学院2021届毕业生,现任腾讯音乐研发工程师。主要研究方向为推荐系统、机器学习和深度学习,已在ACM TOIS、ACM RecSys等信息检索和推荐系统领域的知名学术期刊和学术会议发表多篇科研论文,曾参与国家自然科学基金、华为云计算等科研项目。明仲,博士,深圳大学研究生院执行院长、二级教授,博士生导师,广东省移动互联网应用中间件工程技术研究中心主任,鹏城学者特聘教授,曾获国家教学成果奖1次和省教学成果一等奖4次。主要研究方向为人工智能、软件工程和推荐系统,曾狱2013年度广东省科学技术奖一等奖和2018年度中国电子学会科技进步一等奖。
目录

第1章 概述
1.1 推荐技术简介
1.2 推荐问题分类
1.3 数学基础知识
1.3.1 线性代数
1.3.2 概率论
1.3.3 神经网络中的激活函数
1.4 常用数据集和验证方法
1.4.1 常用数据集
1.4.2 验证方法
1.5 常用评价指标
1.5.1 面向评分预测的评价指标
1.5.2 面向物品排序的评价指标
1.6 深度学习平台简介
1.7 本章小结
1.8 参考文献
1.9 习题
第2章 基于显式反馈的评分预测
2.1 协同过滤(CF)问题
2.2 基于均值填充的方法
2.2.1 预测公式
2.2.2 讨论
2.3 基于邻域的方法
2.3.1 基于用户的协同过滤
2.3.2 基于物品的协同过滤
2.3.3 混合协同过滤
2.3.4 讨论
2.4 基于矩阵分解的方法
2.4.1 概率矩阵分解
2.4.2 改进的奇异值分解
2.4.3 结合多类偏好上下文的矩阵分解
2.4.4 因子分解机
2.5 基于深度学习的方法
2.5.1 受限玻尔兹曼机
2.5.2 自编码器
2.6 本章小结
2.7 参考文献
2.8 习题
第3章 基于显式反馈的物品排序
3.1 协同排序(CR)问题
3.2 粗精迁移排序
3.2.1 模型介绍
3.2.2 算法流程
3.2.3 代码实现
3.2.4 实验设置
3.2.5 讨论
3.3 上下文感知协同排序
3.3.1 模型介绍
3.3.2 算法流程
3.3.3 代码实现
3.3.4 实验设置
3.3.5 讨论
3.4 整全迁移排序
3.4.1 模型介绍
3.4.2 基于模型的整全迁移排序
3.4.3 基于邻域的整全迁移排序
3.4.4 代码实现
3.4.5 实验设置
3.4.6 讨论
3.5 本章小结
3.6 参考文献
3.7 习题
第4章 基于隐式反馈的物品排序
4.1 单类协同过滤(OCCF)问题
4.2 基于热度的方法
……
第5章 基于异构反馈的评分预测
第6章 基于异构反馈的物品排序
第7章 单行为序列推荐
第8章 多行为序列推荐
第9章 跨用户联邦推荐
第10章 跨组织联邦推荐
第11章 总结与展望
附录A 学术期刊论文数量统计
附录B 学术会议论文数量统计
附录C 推荐系统国际会议研究话题
附录D 推荐系统国际会议研讨会主题
附录E 中英文术语对照表
后记
致谢

猜您喜欢

读书导航