機器學習算法實踐 — 推薦系統的協同過濾理論及其應用

王建芳

機器學習算法實踐 — 推薦系統的協同過濾理論及其應用
  • 出版商: 清華大學
  • 出版日期: 2018-10-27
  • 定價: $414
  • 售價: 8.5 折 $352
  • 語言: 簡體中文
  • 頁數: 194
  • 裝訂: 平裝
  • ISBN: 730250783X
  • ISBN-13: 9787302507833
  • 相關分類: 推薦系統、Machine Learning

    • 立即出貨 (庫存 < 4)

買這商品的人也買了...

相關主題

商品描述

個性化推薦能夠根據用戶的歷史行為顯式或者隱式地挖掘用戶潛在的興趣和需求，並為其推送個性化信息，因此受到研究者的追捧及工業界的青睞，其研究具有重大的學術價值及商業應用價值，已廣泛應用於大型電子商務平臺、社交平臺、新聞客戶端以及其他各類旅遊和娛樂類網站中。本書內容豐富，較全面地介紹了基於協同過濾的推薦系統存在的問題、解決方法和評估策略，主要內容涉及協同過濾推薦算法中的時序技術、矩陣分解技術和社交網絡信任技術等知識。本書可供從事推薦系統、人工智能、機器學習、模式識別和信息檢索等領域的科研人員及研究生閱讀、參考

目錄大綱

目錄
第一篇基礎理論

第1章理論入門

1．1引言

1．2推薦系統的形式化定義

1．3基於近鄰的協同過濾推薦算法

1．3．1餘弦相似度

1．3．2修正餘弦相似度

1．3．3Pearson相似度

1．3．4Jaccard相似度

1．4基於用戶興趣的推薦算法

1．5基於模型的協同過濾推薦算法

1．5．1矩陣分解模型

1．5．2交替最小二乘

1．5．3概率矩陣分解

1．5．4非負矩陣分解

1．6基於信任的協同過濾推薦算法

1．7推薦系統現存問題

1．7．1冷啟動

1．7．2數據稀疏性

1．7．3可擴展性

1．7．4用戶興趣漂移

1．8評測指標

本章小結

參考文獻
第二篇基於時序的協同過濾推薦算法

第2章基於巴式係數改進相似度的協同過濾推薦算法

2．1引言

2．2相關工作

2．2．1餘弦相似度

2．2．2調整餘弦相似度

2．2．3Pearson相關係數

2．2．4Jaccard相似度

2．3一種巴氏係數改進相似度的協同過濾推薦算法

2．3．1巴氏係數

2．3．2巴氏係數相似度

2．3．3BCCF算法描述

2．4實驗與分析

2．4 ．1數據集

2．4．2評價標準

2．4．3實驗結果與分析

本章小結

參考文獻

第3章基於用戶興趣和項目屬性的協同過濾推薦算法

3．1引言

3．2相關工作

3．3基於用戶興趣和項目屬性的協同過濾推薦算法

3．3．1基於時間的用戶興趣度權重

3．3．2改進相似度計算

3．3．3加權預測評分

3．3．4算法步驟

3．4實驗結果與分析

3．4．1數據集

3．4．2評價標準

3．4．3結果分析

本章小結

參考文獻
第三篇基於矩陣分解的協同過濾推薦算法

第4章SVD和信任因子相結合的協同過濾推薦算法

4．1引言

4．2標註和相關工作

4．2．1標註

4．2．2奇異值分解

4．2．3計算相似度

4．3SVD和信任因子相結合的協同過濾推薦算法

4．3．1項目特徵空間

4．3．2兩階段k近鄰選擇

4．3．3信任因子

4．3．4預測評分

4．3．5算法

4．4實驗結果與分析

4．4．1數據集和實驗環境

4．4．2評價標準

4．4．3實驗結果分析

本章小結

參考文獻

第5章相似度填充的概率矩陣分解的協同過濾推薦算法

5．1引言

5．2相關工作

5．2．1協同過濾推薦算法

5．2．2概率矩陣分解技術

5．3CFPFCF算法

5．3 ．1算法設計思想

5．3．2CFPFCF算法的描述

5．4實驗分析

5．4．1數據集與誤差標準

5．4．2實驗結果與性能比較

本章小結

參考文獻

第6章基於偏置信息的改進概率矩陣分解算法研究

6．1引言

6．2相關工作

6．2．1矩陣分解模型

6．2．2Baseline預測

6．3算法流程

6．4實驗分析

6．4．1實驗所用數據集

6．4．2實驗環境配置

6．4．3實驗評價標準

6．4．4實驗結果及分析

本章小結

參考文獻

第7章基於項目屬性改進概率矩陣分解算法

7．1引言

7．2IARBP算法

7．2．1相似度度量

7．2．2算法描述

7．2．3算法複雜度分析

7．3實驗結果對比分析

7．3．1實驗數據集

7．3．2實驗評價標準

7．3 ．3對比實驗配置及說明

7．3．4實驗參數分析

7．3．5實驗對比

本章小結

參考文獻

第8章基於交替最小二乘的改進概率矩陣分解算法

8．1引言

8．2交替最小二乘

8．3Baseline預測

8．4IPMF算法

8．4．1算法改進思想

8．4．2算法流程

8．4．3複雜度分析

8．5實驗結果分析

8．5．1對比實驗設定

8．5 ．2實驗分析

本章小結

參考文獻

第9章基於社交網絡的改進概率矩陣分解算法研究

9．1引言

9．2相關工作

9．2．1推薦系統的形式化

9．2．2矩陣分解與推薦系統

9．3概率矩陣分解

9．4主要研究內容

9．4．1基於社交網絡的改進概率矩陣分解

9．4．2算法流程

9．4．3算法複雜度分析

9．5實驗分析

9．5． 1實驗數據集

9．5．2實驗評價標準

9．5．3對比算法

9．5．4潛在因子維度的影響

9．5．5偏置的影響

9．5．6信任因子的影響

9．5．7對比實驗分析

本章小結

參考文獻

第10章帶偏置的非負矩陣分解推薦算法

10．1引言

10．2相關工作

10．2．1矩陣分解

10．2．2奇異值矩陣

10．2．3Baseline預測

10．2．4NMF算法

10．3RBNMF算法

10．3．1理論分析

10．3．2RBNMF算法流程

10．4實驗分析

10．4．1數據集

10．4．2評價標準

10．4．3實驗結果及分析

本章小結

參考文獻

第11章基於項目熱度的協同過濾推薦算法

11.1引言

11.2非負矩陣分解

11.3兩階段近鄰選擇

11.3.1兩階段k近鄰選擇

11.3.2項目“熱度”和局部信任

11.3.3預測評分

11.4算法描述

11.5實驗結果分析

11.5 .1不同策略下相似度的分佈

11.5.2兩種因素的分佈與分析

11.5.3實驗結果及分析

本章小結

參考文獻

第四篇基於信任的協同過濾推薦算法

第12章帶偏置的專家信任推薦算法

12.1引言

12.2相關工作

12.2.1專家算法

12.2.2生成推薦值

12.2.3Baseline預測

12.3改進專家算法

12.3.1改進專家信任

12.3.2評分形成

12.3.3算法描述

12.4實驗結果與分析

12.4.1數據集

12.4.2評估標準

12.4.3實驗結果及分析

本章小結

參考文獻

第13章一種改進專家信任的協同過濾推薦算法

13.1引言

13.2標註與相關工作

13.2.1標註

13.2.2近鄰模型

13.2.3專家算法

13.3改進專家算法

13.3.1重要概念

13.3.2評分形成

13.3.3算法描述

13.4實驗結果與分析

13.4.1數據集

13.4.2評估標準

13.4.3實驗結果與分析

本章小結

參考文獻

第五篇原型系統開發

第14章電影推薦原型系統

14.1引言

14.2主要功能

14.3關鍵技術

14.3.1概率矩陣分解模型

14.3.2社交網絡正則化

14.4集群搭建

14.4.1集群軟硬件環境

14.4.2Spark集群

14.4.3HBase集群

14.5系統特點

14.6用戶使用說明

14.6.1系統簡介界面

14.6.2建模一和建模二界面

14.6.3集群界面

14.6.4看過的電影界面

14.6.5推薦電影界面

14.6.6統計分析界面

參考文獻

類似商品