融合多源异构数据的推荐与检索

　　本书介绍了解决信息过载问题常用的两种技术： 引擎和搜索引擎。为了有效提高 和搜索的 度，融合多源异构数据成为重要手段，不同来源和不同结构的数据含有不同的语义信息，数据的融合为 和搜索提供了 丰富的语义，有效提高了推荐和检索的 度。本书基于作者团队多年的研究成果，介绍了推荐和检索领域的 发展、常用的技术和算法，提出了融合多源异构数据的 模型、跨模态的检索模型。本书的内容反映了本领域的 发展。本书可供研究融合多源异构数据技术、个性化推荐技术、跨模态检索技术的科研人员、公司研发人员、高等院校研究生阅读参考。

暂缺《融合多源异构数据的推荐与检索》作者简介

第1章 绪论
1.1 与检索
1.1.1
1.1.2 检索
1.2 多源异构数据融合的优势与挑战
1.2.1 基于 的多源异构数据融合的优势与挑战
1.2.2 基于检索的多源异构数据融合的优势与挑战
1.3 本章小结
第2章 与检索技术
2.1 技术
2.1.1 基于内容的
2.1.2 协同过滤
2.1.3 基于深度学习的
2.1.4 系统评价指标
2.1.5 基于评测方法的评价指标
2.2 检索技术
2.2.1 基于文本的检索
2.2.2 基于内容的检索
2.2.3 基于语义的检索
2.2.4 基于上下文的检索
2.2.5 基于示例的检索
2.2.6 多模态跨模态检索
2.2.7 个性化检索
2.3 本章小结
第3章 个性化推荐与检索
3.1 基于内容的个性化图像 与检索
3.1.1 用户兴趣获取
3.1.2 用户兴趣表示
3.1.3 个性化实现
3.2 基于协同过滤的个性化图像 与检索
3.2.1 基于用户的协同过滤
3.2.2 基于物品的协同过滤
3.2.3 基于模型的协同过滤
3.3 个性化图像 与检索方法对比
3.4 本章小结
第4章 基于传统机器学习的多源异构数据推荐模型
4.1 问题描述
4.2 相关算法
4.2.1 Word2Vector
4. 2.2 Online LDA
4.2.3 CNM
4.2.4 CoDA
4.3 流程
4.4 模型
4.4.1 评论特征提取
4.4.2 社区发现
4.4.3 模型训练
4.4.4 特征混合
4.4.5 预测和评价
4.5 Spark实现