深度學習在推薦系統中的應用
邢星
- 出版商: 科學出版
- 出版日期: 2024-11-01
- 售價: $1,008
- 貴賓價: 9.5 折 $958
- 語言: 簡體中文
- 頁數: 258
- ISBN: 7030686195
- ISBN-13: 9787030686190
-
相關分類:
推薦系統、DeepLearning
立即出貨 (庫存 < 3)
相關主題
商品描述
針對國內外推薦系統技術熱點問題，作者在推薦系統、深度學習領域基礎理論方面進行了深入探索研究，借鑒國內外已有資料和前人成果，經過分析論證，圍繞基於內容和知識的推薦、混合推薦、深度學習、基於深度學習的推薦以及輔助學習的推薦等五個方面的基本概念、研究現狀、主要研究問題、待解決的問題以及未來的發展趨勢等，形成支持新一代推薦系統技術的一些新思路。其目的是增進社會各界對基於深度學習的推薦系統技術發展情況和應用前景的深入體驗和更加全面的認識，進而推進推薦系統技術發展和完善。
目錄大綱
目錄
前言
第1章 概述 1
1.1 什麽是推薦系統 1
1.2 推薦系統的發展歷史 2
1.3 推薦算法分類 5
1.3.1 基於內容的推薦算法 5
1.3.2 基於協同過濾的推薦算法 6
1.3.3 混合推薦算法 9
1.4 推薦系統應用 11
1.5 推薦系統面臨的挑戰 13
第2章 基於內容和知識的推薦 18
2.1 基於語義的推薦 18
2.1.1 語義網基本概念 18
2.1.2 資源描述框架 19
2.1.3 本體描述語言 21
2.1.4 本體語義推理 23
2.1.5 隱語義推薦 25
2.2 基於內容的推薦 30
2.2.1 item representation 31
2.2.2 profile learning 32
2.2.3 recommendation generation 34
2.3 基於約束的推薦 35
2.3.1 基本概念 35
2.3.2 會話式推薦系統的交互過程 38
2.3.3 實際應用經驗 38
2.3.4 未來的研究方向 39
2.4 基於效用的推薦 40
2.4.1 基本概念 40
2.4.2 個性化推薦的影響因素 40
2.4.3 基於效用的個性化推薦的實現 42
2.4.4 其他研究方法 44
第3章 協同過濾 46
3.1 協同過濾簡介 46
3.1.1 基本思想 47
3.1.2 算法分類 48
3.1.3 一般流程 48
3.2 基於鄰域的協同過濾 51
3.2.1 基於用戶的協同過濾 51
3.2.2 基於項目的協同過濾 56
3.3 基於模型的協同過濾 68
3.3.1 基於關聯規則的協同過濾 68
3.3.2 基於矩陣分解的協同過濾 76
第4章 混合推薦系統 88
4.1 混合推薦系統分類 88
4.1.1 混合推薦系統的價值 88
4.1.2 混合推薦系統的實現方案 89
4.1.3 對混合推薦系統的思考 93
4.2 基於情景感知的推薦 95
4.2.1 情景信息的表徵性方法 96
4.2.2 基於情景感知的用戶興趣模型 97
4.2.3 高級情景獲取 101
4.2.4 情景前過濾 102
4.2.5 情景後過濾 103
4.2.6 情景建模 103
4.3 基於時空信息的推薦 104
4.3.1 路線推薦 106
4.3.2 連續興趣點推薦 106
4.3.3 融合時空信息的連續興趣點推薦 107
4.3.4 停留點的檢測 109
4.3.5 相似度計算 112
4.3.6 時間序列建模 113
4.4 基於異質信息網絡的推薦 115
4.4.1 異質信息網絡 115
4.4.2 基於異質信息網絡的推薦算法 116
4.4.3 帶權元路徑中的相似性度量 117
4.4.4 基於異質信息網絡的矩陣分解 119
4.4.5 非對稱的異質信息網絡推薦算法 120
第5章 深度學習 123
5.1 神經網絡 124
5.1.1 人腦神經網絡 124
5.1.2 人工神經網絡 125
5.1.3 神經網絡發展歷史 129
5.2 前饋神經網絡 129
5.2.1 前饋神經網絡介紹 129
5.2.2 反向傳播算法 131
5.2.3 隨機梯度下降法 133
5.2.4 優化算法 134
5.2.5 權重初始值的合理設置 138
5.3 自編碼器 139
5.3.1 稀疏自編碼器 140
5.3.2 降噪自編碼器 141
5.3.3 堆疊自編碼器 142
5.4 深度信念網絡 143
5.4.1 玻爾茲曼機 143
5.4.2 受限玻爾茲曼機 145
5.4.3 深度信念網絡概述 148
5.5 深度生成模型 150
5.5.1 變分自編碼 151
5.5.2 對抗網絡的生成 155
5.6 捲積神經網絡 157
5.6.1 捲積的意義 157
5.6.2 捲積神經網絡組成 158
5.6.3 捲積神經網絡特點 159
5.6.4 捲積神經網絡架構 160
5.7 循環神經網絡 164
5.7.1 簡單循環神經網絡 165
5.7.2 基於門控的循環神經網絡 167
5.7.3 深層循環神經網絡 170
5.8 圖神經網絡 171
5.8.1 圖結構 171
5.8.2 圖神經網絡的分類 172
5.9 強化學習 176
5.9.1 強化學習介紹 176
5.9.2 基於值函數的學習方法 183
5.9.3 基於策略函數的學習方法 188
第6章 基於深度學習的推薦系統應用 190
6.1 深度學習在基於內容的推薦系統中的應用 190
6.1.1 基於多層感知機的方法 191
6.1.2 基於捲積神經網絡的方法 192
6.1.3 基於循環神經網絡的方法 195
6.1.4 基於深度信念網絡的方法 197
6.2 深度學習在協同過濾中的應用 197
6.2.1 基於自編碼器的協同過濾算法 198
6.2.2 基於受限玻爾茲曼機的協同過濾算法 199
6.2.3 基於循環神經網絡的協同過濾算法 201
6.2.4 基於生成對抗網絡的協同過濾算法 203
6.2.5 基於其他深度學習模型的協同過濾算法 204
6.3 基於圖神經網絡的推薦系統的應用 205
6.3.1 推薦系統概述 205
6.3.2 圖神經網絡技術 206
6.3.3 基於圖神經網絡的社交推薦研究 206
6.3.4 基於圖神經網絡的二部圖推薦研究 209
6.3.5 基於知識圖譜的推薦研究 211
6.3.6 基於圖神經網絡的序列推薦研究 213
6.4 深度學習在混合推薦系統中的應用 215
6.5 基於深度強化學習的推薦系統 219
6.5.1 靜態場景下的強化推薦算法 220
6.5.2 動態場景下的強化推薦算法 222
6.6 基於深度學習的推薦研究發展趨勢 223
第7章 輔助學習的推薦系統 228
7.1 輔助學習簡介 228
7.2 國內個性化推薦主要成就 230
7.3 基於協同過濾的學習資源個性化推薦 231
7.3.1 相關概念 231
7.3.2 實現步驟 232
7.3.3 個性化推薦特點 234
7.4 課程推薦系統 235
7.4.1 實現步驟 236
7.4.2 課程推薦的特點 236
7.5 評估推薦系統對教育的影響 238
7.6 輔助學習推薦系統面臨的挑戰 242
參考文獻 244
前言
第1章 概述 1
1.1 什麽是推薦系統 1
1.2 推薦系統的發展歷史 2
1.3 推薦算法分類 5
1.3.1 基於內容的推薦算法 5
1.3.2 基於協同過濾的推薦算法 6
1.3.3 混合推薦算法 9
1.4 推薦系統應用 11
1.5 推薦系統面臨的挑戰 13
第2章 基於內容和知識的推薦 18
2.1 基於語義的推薦 18
2.1.1 語義網基本概念 18
2.1.2 資源描述框架 19
2.1.3 本體描述語言 21
2.1.4 本體語義推理 23
2.1.5 隱語義推薦 25
2.2 基於內容的推薦 30
2.2.1 item representation 31
2.2.2 profile learning 32
2.2.3 recommendation generation 34
2.3 基於約束的推薦 35
2.3.1 基本概念 35
2.3.2 會話式推薦系統的交互過程 38
2.3.3 實際應用經驗 38
2.3.4 未來的研究方向 39
2.4 基於效用的推薦 40
2.4.1 基本概念 40
2.4.2 個性化推薦的影響因素 40
2.4.3 基於效用的個性化推薦的實現 42
2.4.4 其他研究方法 44
第3章 協同過濾 46
3.1 協同過濾簡介 46
3.1.1 基本思想 47
3.1.2 算法分類 48
3.1.3 一般流程 48
3.2 基於鄰域的協同過濾 51
3.2.1 基於用戶的協同過濾 51
3.2.2 基於項目的協同過濾 56
3.3 基於模型的協同過濾 68
3.3.1 基於關聯規則的協同過濾 68
3.3.2 基於矩陣分解的協同過濾 76
第4章 混合推薦系統 88
4.1 混合推薦系統分類 88
4.1.1 混合推薦系統的價值 88
4.1.2 混合推薦系統的實現方案 89
4.1.3 對混合推薦系統的思考 93
4.2 基於情景感知的推薦 95
4.2.1 情景信息的表徵性方法 96
4.2.2 基於情景感知的用戶興趣模型 97
4.2.3 高級情景獲取 101
4.2.4 情景前過濾 102
4.2.5 情景後過濾 103
4.2.6 情景建模 103
4.3 基於時空信息的推薦 104
4.3.1 路線推薦 106
4.3.2 連續興趣點推薦 106
4.3.3 融合時空信息的連續興趣點推薦 107
4.3.4 停留點的檢測 109
4.3.5 相似度計算 112
4.3.6 時間序列建模 113
4.4 基於異質信息網絡的推薦 115
4.4.1 異質信息網絡 115
4.4.2 基於異質信息網絡的推薦算法 116
4.4.3 帶權元路徑中的相似性度量 117
4.4.4 基於異質信息網絡的矩陣分解 119
4.4.5 非對稱的異質信息網絡推薦算法 120
第5章 深度學習 123
5.1 神經網絡 124
5.1.1 人腦神經網絡 124
5.1.2 人工神經網絡 125
5.1.3 神經網絡發展歷史 129
5.2 前饋神經網絡 129
5.2.1 前饋神經網絡介紹 129
5.2.2 反向傳播算法 131
5.2.3 隨機梯度下降法 133
5.2.4 優化算法 134
5.2.5 權重初始值的合理設置 138
5.3 自編碼器 139
5.3.1 稀疏自編碼器 140
5.3.2 降噪自編碼器 141
5.3.3 堆疊自編碼器 142
5.4 深度信念網絡 143
5.4.1 玻爾茲曼機 143
5.4.2 受限玻爾茲曼機 145
5.4.3 深度信念網絡概述 148
5.5 深度生成模型 150
5.5.1 變分自編碼 151
5.5.2 對抗網絡的生成 155
5.6 捲積神經網絡 157
5.6.1 捲積的意義 157
5.6.2 捲積神經網絡組成 158
5.6.3 捲積神經網絡特點 159
5.6.4 捲積神經網絡架構 160
5.7 循環神經網絡 164
5.7.1 簡單循環神經網絡 165
5.7.2 基於門控的循環神經網絡 167
5.7.3 深層循環神經網絡 170
5.8 圖神經網絡 171
5.8.1 圖結構 171
5.8.2 圖神經網絡的分類 172
5.9 強化學習 176
5.9.1 強化學習介紹 176
5.9.2 基於值函數的學習方法 183
5.9.3 基於策略函數的學習方法 188
第6章 基於深度學習的推薦系統應用 190
6.1 深度學習在基於內容的推薦系統中的應用 190
6.1.1 基於多層感知機的方法 191
6.1.2 基於捲積神經網絡的方法 192
6.1.3 基於循環神經網絡的方法 195
6.1.4 基於深度信念網絡的方法 197
6.2 深度學習在協同過濾中的應用 197
6.2.1 基於自編碼器的協同過濾算法 198
6.2.2 基於受限玻爾茲曼機的協同過濾算法 199
6.2.3 基於循環神經網絡的協同過濾算法 201
6.2.4 基於生成對抗網絡的協同過濾算法 203
6.2.5 基於其他深度學習模型的協同過濾算法 204
6.3 基於圖神經網絡的推薦系統的應用 205
6.3.1 推薦系統概述 205
6.3.2 圖神經網絡技術 206
6.3.3 基於圖神經網絡的社交推薦研究 206
6.3.4 基於圖神經網絡的二部圖推薦研究 209
6.3.5 基於知識圖譜的推薦研究 211
6.3.6 基於圖神經網絡的序列推薦研究 213
6.4 深度學習在混合推薦系統中的應用 215
6.5 基於深度強化學習的推薦系統 219
6.5.1 靜態場景下的強化推薦算法 220
6.5.2 動態場景下的強化推薦算法 222
6.6 基於深度學習的推薦研究發展趨勢 223
第7章 輔助學習的推薦系統 228
7.1 輔助學習簡介 228
7.2 國內個性化推薦主要成就 230
7.3 基於協同過濾的學習資源個性化推薦 231
7.3.1 相關概念 231
7.3.2 實現步驟 232
7.3.3 個性化推薦特點 234
7.4 課程推薦系統 235
7.4.1 實現步驟 236
7.4.2 課程推薦的特點 236
7.5 評估推薦系統對教育的影響 238
7.6 輔助學習推薦系統面臨的挑戰 242
參考文獻 244
