推薦系統-核心技術、演算法與開發實戰
張百珂
- 出版商: 中國鐵道
- 出版日期: 2024-05-01
- 售價: $479
- 貴賓價: 9.5 折 $455
- 語言: 簡體中文
- 頁數: 258
- 裝訂: 平裝
- ISBN: 7113311148
- ISBN-13: 9787113311148
-
相關分類:
Algorithms-data-structures
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$301Unity 3D 平臺AR與VR開發快速上手
-
$374增強現實——無處不在
-
$357$339 -
$780$663 -
$454AR / VR 技術與應用 — 基於 Unity 3D / ARKit / ARCore (微課視頻版)
-
$474$450 -
$1,194$1,134 -
$648$616 -
$356App Inventor移動應用開發標準教程 第2版
-
$539$512 -
$458自然語言處理之 BERT 模型算法、架構和案例實戰
-
$347多語言情感分析及其應用
-
$378推薦系統:產品與算法解析
-
$414$393 -
$505OpenAI API 接口應用實戰
-
$599$569 -
$359$341 -
$615深度學習高手筆記 捲2:經典應用
-
$599$569 -
$356人工智慧和深度學習導論
-
$414$393 -
$390$371
相關主題
商品描述
本書循序漸進地講解了使用Python語言開發推薦系統的核心知識,
並透過具體實例的實現過程演練了各個知識點的使用方法和使用流程。
全書共12章,包括推薦系統基礎知識、基於內容的推薦、協同過濾推薦、混合推薦、基於標籤的推薦、基於知識圖譜的推薦、
基於隱語意模型的推薦、基於神經網路的推薦模型、序列建模與注意力機制、
強化推薦學習、即時電影推薦系統開發和服裝推薦系統開發。
本書內容簡潔而不失技術深度,數據資料翔實齊全,易於閱讀。
目錄大綱
第1章推薦系統基礎知識
1.1 推薦系統簡介
1.1.1 推薦系統的應用領域
1.1.2 推薦系統的重要性
1.2 推薦系統與人工人工智慧
1.2.1 機器學習
1.2.2 深度學習
1.2.3 推薦系統與人工智慧的關係
1.3 推薦系統演算法概覽
1.4 推薦系統面臨的挑戰
1.4.1 使用者隱私與資料安全問題
1.4.2 推薦演算法的偏見與歧視
1.4.3 推薦系統的社會影響與道德考量
第2章基於內容的推薦
2.1 文字特徵擷取
2.1.1 詞袋模型
2.1.2 n-gram模型
2.1.3 特徵哈希
2.2 TF-IDF(詞頻逆文檔頻率)
2.2.1 詞頻計算
2.2.2 逆文檔頻率計算
2.2.3 TF- IDF權重計算
2.3 詞嵌入(word embedding)
2.3.1 分散式表示方法
2.3.2 使用word2Vec模型
2.3.3 使用GloVe模型
2.4 主題模型(topicmodeling)
2.4.1 潛在語意分析
2.4.2 主題模型的應用
2.5 文本分類與標籤擷取
2.5.1 傳統機器學習方法
2.5.2 卷積神經網路
2.53 循環神經網路
2.6 文本情緒分析
2.6.1 機器學習方法
2.6.2 深度學習方法
第3章協同過濾推薦
3.1 協同過濾推薦介紹
3.2基於使用者的協同過濾
3.2.1 基於使用者的協同過濾演算法的基本步驟
3.2.2 Python的基於使用者的協同過濾演算法
3.3 基於物品的協同過濾
3.3.1 計算物品之間的相似度
3.3.2 進行推薦
3.4基於模型的協同過濾
3.4.1 矩陣分解模型
3.4.2 基於圖的模型
3.5 混合型協同過濾
第4章混合推薦
4.1 特徵層面的混合推薦
4.1.1 特徵層面混合推薦介紹
4.1.2 使用者特徵融合
4.1. 3 物品特徵融合
4.2 模型層面的混合推薦
4.2.1 基於加權融合的模型組合
4.2.2 基於整合學習的模型組合
4.23 基於混合排序的模型組合
4.2.4 基於協同訓練的模型組合
4.3 策略層面的混合推薦
4.3.1 動態選擇推薦策略
4.3.2 上下文感知的推薦策略
第5章基於標籤的推薦
5.1 標籤的獲取和處理方法
5.1.1 獲取用戶的標籤
5.1.2 獲取物品的標籤
5.1.3 標籤預處理和特徵擷取
5.2 標籤相似度計算方法
5.2.1 基於標籤頻次的相似度計算
5.2.2 基於標籤共現的相似度計算
5.2.3 基於標籤語意的相似度計算
5.3 基於標籤的建議演算法
5.3.1 基於用戶標籤的建議演算法
5.3.2 基於物品標籤的建議演算法
5.4 標籤推薦系統的評估與最佳化
5.4.1 評估指標的選擇
5.4.2 最佳化標籤推薦效果
第6章基於知識圖譜的建議
6.1 知識圖譜介紹
6.1.1知識圖譜的定義與特性
6.1.2 知識圖譜的建構方法
6.1.3 知識圖譜與個人化建議的關係
6.2 知識表示與語意關聯
6.2.1 實體與屬性的表示
6.2.2 關係的表示與推理
6.2.3語意關聯的計算與測量
6.3 知識圖譜中的建議演算法
6.3.1 基於路徑體的建議演算法
6.3.2 基於實體的建議演算法
6.3.3 基於關係的建議演算法
6.3.4 基於知識圖譜推理的建議演算法
第7章基於隱語意模型的推薦
7.1 隱語意模型概述
7.1.1 隱語意模型介紹
7.1.2 隱語意模型在推薦系統中的應用
7.2 潛在語意索引
7.2.1 LSI的基本思想與實作步驟
7.2.2 Python中的潛在語意索引實現
7.3 潛在狄利克雷分配
7.3.1 實現LDA的基本步驟
7.3.2 使用庫gensim構建推薦系統
7.4 增強隱語義模型的資訊來源
7.4.1 基於內容資訊的隱語意模型
7.4.2 時間和上下文資訊的隱語意模型
7.4.3 社會網絡資訊的隱語意模型
第8章基於神經網路的建議模型
8.1 深度推薦模型介紹
8.1.1 傳統推薦模型的限制
8.1.2 深度學習在推薦系統中的應用
8.2 以MLP為基礎的建議模型
8.2.1 基於MLP推薦模型的流程
8.2.2 使用者和物品特徵的編碼
8.3 基於卷積神經網路的建議模型
8.3.1 卷積神經網路的使用者和物品特徵的表示
8.3.2 卷積層和池化層的特徵提取
8.4 基於循環神經網路的建議模型
8.4.1 序列資料的建模
8.4.2 歷史行為序列的特徵提取
第9章序列建模和注意力機制
9.1 序列建模
9.1.1 使用長短期記憶網路建模
9.1.2 使用門控循環單元建模
9.2 注意力機制
9.2.1 注意力機制介紹
9.2.2 注意力機制在推薦系統中的作用
9.2.3 使用自註意力模型
9.3 使用seq2Seq模型和注意力機制發展翻譯系統
9.3.1 Seq2seq模型介紹
9.3.2 使用注意力機制改良seq2seq模型
9.3.3 準備資料集
9.3.4 資料預處理
9.3.5 實現seq2seq模型
9.3.6 訓練模型
9.3.7模型評估
9.3 .8 訓練與評估
9.3.9 注意力的可視化
第10章強