機器學習算法實踐——推薦系統的協同過濾理論及其應用 ( 簡體 字) |
| 作者：王建芳 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 50224
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：11/1/2018 |
| 頁數：190 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302507833 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：個性化推薦與信息檢索技術的目標一致，也是一種幫助用戶更快速地發現有用信息的工具，但與信息檢索技術不同的是，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，為其推送感興趣并且個性化的信息，已越來越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。如今基于個性化推薦算法的推薦系統已廣泛應用于大型電子商務平臺(如天貓、京東和亞馬遜等)、社交平臺(如新浪微博、Facebook和Twitter等)、新聞客戶端(今日頭條、天天快報等)以及其他各類旅游和娛樂類網站(如攜程網、電影音樂社區等)中，在提高用戶滿意度和忠誠度的同時也為自身帶來了可觀的經濟效益。
協同過濾推薦算法是個性化推薦中運用最早和最成功的一種推薦技術，它的任務是利用用戶與項目評分矩陣中的已知元素來預測未知元素的評分值并將預測評分高的項目推薦給用戶。協同過濾的最大優點是對推薦對象沒有特殊的要求，能處理非結構化的復雜對象（如音樂、圖書、電影和資訊類新聞內容等，這類產品是難以進行機器自動內容分析的信息），避免了內容分析的不完全和不精確，而且能夠根據用戶的歷史行為推薦個性化的信息。傳統的基于鄰域模型的推薦算法分為數據收集(輸入)、獲得最近鄰集合(主要是計算相似度)和預測并推薦(輸出)等步驟。目前協同過濾推薦算法還存在數據的高維稀疏性、冷啟動和大數據環境下擴展性等制約其進一步發展的瓶頸問題，如何解決以上問題進而提高推薦系統的推薦質量成為個性化推薦的關鍵，近年來基于協同過濾的推薦算法及其相關改進模型得到了學者們的廣泛關注和研究。
本書作者一直從事推薦系統理論及其應用的研究工作，提出了一系列改進推薦質量的方法，并成功應用于多種復雜的實際問題。作者的這些工作大大豐富了推薦系統理論，尤其是所關注的協同過濾推薦算法對其在其他領域的進一步研究與應用奠定了技術基礎，具有重要的理論意義和實際應用價值。
本書由河南理工大學計算機科學與技術學院王建芳獨立完成，是作者在本領域所發表學術論文的基礎上進一步加工、深化而成的，是對已有研究成果的全面總結。全書共分5篇14章。第一篇包括第1章，討論了推薦算法的分類、各類算法的基本思想和改進策略，闡述推薦算法存在的問題、實驗方法和評測指標。第二篇包括第2章和第3章，主題是圍繞基于時序的協同過濾推薦算法展開研究。在推薦系統中隨著時間的推移，用戶的關注點在不斷變化，如何捕獲這一動態的時間效應是個難題。本篇針對基于時序的協同過濾推薦算法展開研究。第三篇包括第4~11章，主題是圍繞基于矩陣分解的協同過濾推薦算法展開研究。矩陣分解模型能夠基于用戶的行為對用戶和項目進行自動分析，也就是把用戶和項目劃分到不同主題，這些主題可以理解為用戶的興趣和項目屬性。本篇針對SVD、概率矩陣分解、非負矩陣分解及其與相關算法的整合分別提出相關的理論。第四篇包括第12章和第13章，主題是圍繞協同過濾推薦算法與社交網絡的信任展開研究，將用戶的評分信息和用戶的社交網絡信息融入傳統的矩陣分解中以提高推薦質量。第五篇包括第14章，從實際應用的角度用Spark實現一個基于矩陣分解的推薦原型系統。
在本書的撰寫過程中，已畢業的碩士研究生張朋飛、李驍、武文琪以及在讀研究生谷振鵬、劉冉東、苗艷玲等對書稿內容和相關實驗提供了大量的幫助，在此向他們表示衷心的感謝。本書的出版得到河南省高等學校重點科研項目(項目編號： 15A520074)和河南理工大學博士基金的支持，在此一并表示感謝。
推薦系統所涉及的算法，尤其是協同過濾推薦算法是一個快速發展、多學科交叉的新穎研究方法，其理論及應用均有大量的問題尚待進一步深入研究。由于作者知識水平和資料獲取方面的限制，書中不妥之處在所難免，敬請同行專家和讀者批評指正。
作者
2018年5月 |
內容簡介：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，并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，已廣泛應用于大型電子商務平臺、社交平臺、新聞客戶端以及其他各類旅游和娛樂類網站中。
本書內容豐富，較全面地介紹了基于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：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基于近鄰的協同過濾推薦算法
1．3．1余弦相似度
1．3．2修正余弦相似度
1．3．3Pearson相似度
1．3．4Jaccard相似度
1．4基于用戶興趣的推薦算法
1．5基于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基于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
第二篇基于時序的協同過濾推薦算法
第2章基于巴式系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余弦相似度
2．2．2調整余弦相似度
2．2．3Pearson相關系數
2．2．4Jaccard相似度
2．3一種巴氏系數改進相似度的協同過濾推薦算法
2．3．1巴氏系數
2．3．2巴氏系數相似度
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章基于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基于用戶興趣和項目屬性的協同過濾推薦算法
3．3．1基于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
第三篇基于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標注和相關工作
4．2．1標注
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項目特征空間
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拟PFCF算法
5．3．1算法設計思想
5．3．2CF拟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章基于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章基于項目屬性改進概率矩陣分解算法
7．1引言
7．2IAR拟BP算法
7．2．1相似度度量
7．2．2算法描述
7．2．3算法復雜度分析
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章基于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復雜度分析
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章基于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基于社交網絡的改進概率矩陣分解
9．4．2算法流程
9．4．3算法復雜度分析
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章基于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布
11.5.2兩種因素的分布與分析
11.5.3實驗結果及分析
本章小結
參考文獻
第四篇基于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標注與相關工作
13.2.1標注
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
|
| 序： |
