扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
买过本商品的人还买了
深入理解Java虚拟机:JVM特性与实践(第3版)
¥90.3¥129.0学术贵族与政治饭碗
¥28.5¥32.0Java核心技术系列JVM G1源码分析和调优
¥66.8¥89.0解析深度学习:卷积神经网络原理与视觉实践
¥49.8¥79.0跨媒体网络事件检测与跟踪研究
¥27.4¥38.0
机器学习算法实践:推荐系统的协同过滤理论及其应用 版权信息
- ISBN：9787302507833
- 条形码：9787302507833 ; 978-7-302-50783-3
- 装帧：简裝本
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器学习算法实践:推荐系统的协同过滤理论及其应用 本书特色
推荐系统发展到现在产生了许多具有广泛影响力的算法模型，经典的算法是协同过滤算法，其易于实现，因而具有广泛的实用价值，但它也存在着算法复杂度高和推荐精度低的问题。《机器学习算法实践——推荐系统的协同过滤理论及其应用》提出了一系列改进协同过滤推荐质量的方法，并将相关算法应用到实际生活中，开发出一个原型系统。
机器学习算法实践:推荐系统的协同过滤理论及其应用 内容简介
个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。
本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。
本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。
机器学习算法实践:推荐系统的协同过滤理论及其应用 目录
目录
**篇基 础 理 论
第1章理论入门
1．1引言
1．2推荐系统的形式化定义
1．3基于近邻的协同过滤推荐算法
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基于用户兴趣的推荐算法
1．5基于模型的协同过滤推荐算法
1．5．1矩阵分解模型
1．5．2交替*小二乘
1．5．3概率矩阵分解
1．5．4非负矩阵分解
1．6基于信任的协同过滤推荐算法
1．7推荐系统现存问题
1．7．1冷启动
1．7．2数据稀疏性
1．7．3可扩展性
1．7．4用户兴趣漂移
1．8评测指标
本章小结
参考文献
第二篇基于时序的协同过滤推荐算法
第2章基于巴式系数改进相似度的协同过滤推荐算法
2．1引言
2．2相关工作
2．2．1余弦相似度
2．2．2调整余弦相似度
2．2．3Pearson相关系数
2．2．4Jaccard相似度
2．3一种巴氏系数改进相似度的协同过滤推荐算法
2．3．1巴氏系数
2．3．2巴氏系数相似度
2．3．3BCCF算法描述
2．4实验与分析
2．4．1数据集
2．4．2评价标准
2．4．3实验结果与分析
本章小结
参考文献
第3章基于用户兴趣和项目属性的协同过滤推荐算法
3．1引言
3．2相关工作
3．3基于用户兴趣和项目属性的协同过滤推荐算法
3．3．1基于时间的用户兴趣度权重
3．3．2改进相似度计算
3．3．3加权预测评分
3．3．4算法步骤
3．4实验结果与分析
3．4．1数据集
3．4．2评价标准
3．4．3结果分析
本章小结
参考文献
第三篇基于矩阵分解的协同过滤推荐算法
第4章SVD和信任因子相结合的协同过滤推荐算法
4．1引言
4．2标注和相关工作
4．2．1标注
4．2．2奇异值分解
4．2．3计算相似度
4．3SVD和信任因子相结合的协同过滤推荐算法
4．3．1项目特征空间
4．3．2两阶段k近邻选择
4．3．3信任因子
4．3．4预测评分
4．3．5算法
4．4实验结果与分析
4．4．1数据集和实验环境
4．4．2评价标准
4．4．3实验结果分析
本章小结
参考文献
第5章相似度填充的概率矩阵分解的协同过滤推荐算法
5．1引言
5．2相关工作
5．2．1协同过滤推荐算法
5．2．2概率矩阵分解技术
5．3CFPFCF算法
5．3．1算法设计思想
5．3．2CFPFCF算法的描述
5．4实验分析
5．4．1数据集与误差标准
5．4．2实验结果与性能比较
本章小结
参考文献
第6章基于偏置信息的改进概率矩阵分解算法研究
6．1引言
6．2相关工作
6．2．1矩阵分解模型
6．2．2Baseline预测
6．3算法流程
6．4实验分析
6．4．1实验所用数据集
6．4．2实验环境配置
6．4．3实验评价标准
6．4．4实验结果及分析
本章小结
参考文献
第7章基于项目属性改进概率矩阵分解算法
7．1引言
7．2IARBP算法
7．2．1相似度度量
7．2．2算法描述
7．2．3算法复杂度分析
7．3实验结果对比分析
7．3．1实验数据集
7．3．2实验评价标准
7．3．3对比实验配置及说明
7．3．4实验参数分析
7．3．5实验对比
本章小结
参考文献
第8章基于交替*小二乘的改进概率矩阵分解算法
8．1引言
8．2交替*小二乘
8．3Baseline预测
8．4IPMF算法
8．4．1算法改进思想
8．4．2算法流程
8．4．3复杂度分析
8．5实验结果分析
8．5．1对比实验设定
8．5．2实验分析
本章小结
参考文献
第9章基于社交网络的改进概率矩阵分解算法研究
9．1引言
9．2相关工作
9．2．1推荐系统的形式化
9．2．2矩阵分解与推荐系统
9．3概率矩阵分解
9．4主要研究内容
9．4．1基于社交网络的改进概率矩阵分解
9．4．2算法流程
9．4．3算法复杂度分析
9．5实验分析
9．5．1实验数据集
9．5．2实验评价标准
9．5．3对比算法
9．5．4潜在因子维度的影响
9．5．5偏置的影响
9．5．6信任因子的影响
9．5．7对比实验分析
本章小结
参考文献
第10章带偏置的非负矩阵分解推荐算法
10．1引言
10．2相关工作
10．2．1矩阵分解
10．2．2奇异值矩阵
10．2．3Baseline预测
10．2．4NMF算法
10．3RBNMF算法
10．3．1理论分析
10．3．2RBNMF算法流程
10．4实验分析
10．4．1数据集
10．4．2评价标准
10．4．3实验结果及分析
本章小结
参考文献
第11章基于项目热度的协同过滤推荐算法
11.1引言
11.2非负矩阵分解
11.3两阶段近邻选择
11.3.1两阶段k近邻选择
11.3.2项目“热度”和局部信任
11.3.3预测评分
11.4算法描述
11.5实验结果分析
11.5.1不同策略下相似度的分布
11.5.2两种因素的分布与分析
11.5.3实验结果及分析
本章小结
参考文献
第四篇基于信任的协同过滤推荐算法
第12章带偏置的专家信任推荐算法
12.1引言
12.2相关工作
12.2.1专家算法
12.2.2生成推荐值
12.2.3Baseline预测
12.3改进专家算法
12.3.1改进专家信任
12.3.2评分形成
12.3.3算法描述
12.4实验结果与分析
12.4.1数据集
12.4.2评估标准
12.4.3实验结果及分析
本章小结
参考文献
第13章一种改进专家信任的协同过滤推荐算法
13.1引言
13.2标注与相关工作
13.2.1标注
13.2.2近邻模型
13.2.3专家算法
13.3改进专家算法
13.3.1重要概念
13.3.2评分形成
13.3.3算法描述
13.4实验结果与分析
13.4.1数据集
13.4.2评估标准
13.4.3实验结果与分析
本章小结
参考文献
第五篇原型系统开发
第14章电影推荐原型系统
14.1引言
14.2主要功能
14.3关键技术
14.3.1概率矩阵分解模型
14.3.2社交网络正则化
14.4集群搭建
14.4.1集群软硬件环境
14.4.2Spark集群
14.4.3HBase集群
14.5系统特点
14.6用户使用说明
14.6.1系统简介界面
14.6.2建模一和建模二界面
14.6.3集群界面
14.6.4看过的电影界面
14.6.5推荐电影界面
14.6.6统计分析界面
参考文献
展开全部
机器学习算法实践:推荐系统的协同过滤理论及其应用 节选
3．1引言 个性化推荐是从海量数据中挖掘出有用信息的一种技术，协同过滤是其应用*广泛、*成功的推荐算法之一，通过收集和分析用户的信息数据来学习用户的兴趣偏好和行为模式，从而为用户推荐所需要的信息或商品。 传统的协同过滤推荐算法忽略了随着时间变化而用户的兴趣也在不断发生变化的问题，即存在用户兴趣漂移现象。用户的兴趣偏好不但范围广泛，而且实时变化。例如，一个孩子在几岁时可能对动画片感兴趣，青春期可能对浪漫爱情片感兴趣，随后有可能对文艺片感兴趣，再过几年可能对剧情片感兴趣，等等。随着时间推移，用户的关注点在不断变化，如何捕获这一动态的时间效应是个难题。 通常将时间窗作为判断用户兴趣变化的一种表征方式，采用加权处理的方法，来提高推荐质量。文献［1］通过对心理遗忘曲线拟合出用户兴趣权重函数，提出基于时间窗的改进协同过滤推荐算法，从而追踪和学习用户的兴趣偏好； 文献［2］~［4］提出基于评价时间数据权重的用户兴趣度量函数，使得用户*可能感兴趣近期访问过的资源。这些方法在相似度度量过程中加入了时间因子，从一定程度上解决了用户兴趣漂移问题，但是忽略了不同对象的类别属性等特征信息，这在一定程度上也会影响*终的推荐质量。 针对这一问题，本章提出了一种基于用户兴趣和项目属性的协同过滤推荐算法，在传统的用户—项目评分矩阵基础上综合考虑用户偏好、评分时间以及项目属性特征等因素，先在计算相似度过程中加入时间逻辑性因素，再与项目属性相似度进行融合，明确用户对项目中各个属性的偏好程度，更能体现出用户的行为需求。
机器学习算法实践:推荐系统的协同过滤理论及其应用 作者简介
王建芳，博士，副教授，硕士研究生导师，现任河南理工大学ACM／ICPC总教练；主要从事人工智能、数据挖掘和智能计算算法等方向的研究工作，具有丰富的系统研究开发经验和扎实的理论基础知识。长期指导学生参加各种程序算法设计类竞赛，并多次获得省级及以上奖励；曾多次获得相关赛事的“优秀指导教师”称号。
书友推荐
- >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥12.6¥26.0 - >
回忆爱玛侬
回忆爱玛侬
¥9.8¥32.8 - >
月亮与六便士
月亮与六便士
¥18.1¥42.0 - >
朝闻道
朝闻道
¥15.0¥23.8 - >
山海经
山海经
¥22.4¥68.0 - >
烟与镜
烟与镜
¥17.3¥48.0 - >
经典常谈
经典常谈
¥19.5¥39.8 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥9.7¥14.0
本类畅销
-
C专家编程
¥41¥69 -
UG NX 11.0工程图教程-(含1DVD)
¥30.4¥59.9 -
网络爬虫进化论——从Excel爬虫到Python爬虫
¥55.5¥79 -
Python 数据分析基础
¥41¥69 -
Python 3.5从零开始学
¥26.4¥59 -
湖北交通文化
¥21.8¥46
