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)
搜索引擎中的实体推荐关键技术研究 版权信息
- ISBN：9787111701170
- 条形码：9787111701170 ; 978-7-111-70117-0
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
搜索引擎中的实体推荐关键技术研究 内容简介
搜索引擎是人们获取信息的重要工具。近几年,人们获取信息的需求不断提升, 促使搜索引擎不断发展和进化, 从被动地为用户提供查询结果, 转变为主动地为用户提供直接答案并推荐相关信息。其中, 实体推荐是推荐粒度*细且信息量*丰富的一种信息推荐形式, 备受学术界重视, 也深受用户欢迎。 本书围绕实体推荐, 针对实体推荐算法的改进和推荐理由的生成这两方面的关键技术进行研究, 并得出研究结论。本书适合计算机领域的研究生以及从业人员阅读, 可以帮助读者较全面地了解实体推荐算法。
搜索引擎中的实体推荐关键技术研究 目录
丛书序
导师序
摘要
第1章 绪论
1.1 课题背景及意义1
1.1.1 实体推荐的定义及研究背景1
1.1.2 实体推荐的挑战及研究意义6
1.2 研究现状及分析12
1.2.1 实体推荐算法12
1.2.2 实体推荐的可解释性23
1.2.3 尚且存在的问题31
1.3 本书的研究内容及章节安排35
第2章 基于排序学习与信息新颖性增强的实体推荐
2.1 引言40
2.2 问题定义43
2.2.1 信息新颖性定义43
2.2.2 基于信息新颖性增强的实体推荐任务定义47
2.3 基于排序学习框架的实体推荐算法49
2.3.1 相关实体发现50
2.3.2 相关实体排序53
2.4 实验设置69
2.4.1 实验数据69
2.4.2 基线方法70
2.4.3 评价指标72
2.5 实验结果与分析75
2.5.1 本方法与五种基线方法的比较76
2.5.2 不同特征的贡献度分析78
2.6 本章小结81
第3章 基于深度多任务学习的上下文相关实体推荐
3.1 引言83
3.2 问题定义87
3.2.1 上下文相关实体推荐任务定义87
3.2.2 使用多任务学习的原因89
3.3 基于多任务学习的上下文相关实体推荐模型92
3.3.1 上下文无关实体推荐模型92
3.3.2 上下文相关实体推荐模型94
3.3.3 使用多任务学习提升上下文相关实体推荐模型的效果95
3.3.4 利用上下文相关实体推荐模型提升推荐效果98
3.4 实验设置100
3.4.1 实验数据与评价指标101
3.4.2 基线方法104
3.5 实验结果与分析105
3.5.1 上下文信息的影响105
3.5.2 多任务学习与单任务学习的比较106
3.5.3 实体推荐模型的比较107
3.5.4 搜索会话长度的影响108
3.5.5 上下文相关文档排序的效果110
3.6 本章小结111
第4章 基于卷积神经网络的实体对推荐理由识别
4.1 引言112
4.2 问题定义116
4.3 实体对推荐理由识别方法118
4.3.1 训练数据的构建方法118
4.3.2 基于卷积神经网络的排序模型122
4.4 实验设置125
4.4.1 实验数据126
4.4.2 基线方法128
4.4.3 评价指标130
4.5 实验结果与分析130
4.5.1 人工设计特征与自动学习特征的比较131
4.5.2 基于pointwise与基于pairwise的排序方法的比较132
4.5.3 本方法与三种基线方法的比较133
4.6 本章小结138
第5章 基于机器翻译模型的实体推荐理由生成
5.1 引言139
5.2 问题定义142
5.3 基于统计机器翻译模型的实体推荐理由生成144
5.4 基于神经机器翻译模型的实体推荐理由生成148
5.4.1 Seq2Seq模型149
5.4.2 由实体信息指导的Seq2Seq模型156
5.4.3 基于Seq2Seq的实体推荐理由生成模型161
5.5 实验设置162
5.5.1 实验数据162
5.5.2 对比方法165
5.5.3 评价指标169
5.6 实验结果与分析171
5.6.1 不同实体推荐理由生成方法的比较与分析171
5.6.2 基于Seq2Seq的实体推荐理由生成模型分析174
5.6.3 基于实例的方法的比较与分析176
5.7 本章小结181
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
导师序
摘要
第1章 绪论
1.1 课题背景及意义1
1.1.1 实体推荐的定义及研究背景1
1.1.2 实体推荐的挑战及研究意义6
1.2 研究现状及分析12
1.2.1 实体推荐算法12
1.2.2 实体推荐的可解释性23
1.2.3 尚且存在的问题31
1.3 本书的研究内容及章节安排35
第2章 基于排序学习与信息新颖性增强的实体推荐
2.1 引言40
2.2 问题定义43
2.2.1 信息新颖性定义43
2.2.2 基于信息新颖性增强的实体推荐任务定义47
2.3 基于排序学习框架的实体推荐算法49
2.3.1 相关实体发现50
2.3.2 相关实体排序53
2.4 实验设置69
2.4.1 实验数据69
2.4.2 基线方法70
2.4.3 评价指标72
2.5 实验结果与分析75
2.5.1 本方法与五种基线方法的比较76
2.5.2 不同特征的贡献度分析78
2.6 本章小结81
第3章 基于深度多任务学习的上下文相关实体推荐
3.1 引言83
3.2 问题定义87
3.2.1 上下文相关实体推荐任务定义87
3.2.2 使用多任务学习的原因89
3.3 基于多任务学习的上下文相关实体推荐模型92
3.3.1 上下文无关实体推荐模型92
3.3.2 上下文相关实体推荐模型94
3.3.3 使用多任务学习提升上下文相关实体推荐模型的效果95
3.3.4 利用上下文相关实体推荐模型提升推荐效果98
3.4 实验设置100
3.4.1 实验数据与评价指标101
3.4.2 基线方法104
3.5 实验结果与分析105
3.5.1 上下文信息的影响105
3.5.2 多任务学习与单任务学习的比较106
3.5.3 实体推荐模型的比较107
3.5.4 搜索会话长度的影响108
3.5.5 上下文相关文档排序的效果110
3.6 本章小结111
第4章 基于卷积神经网络的实体对推荐理由识别
4.1 引言112
4.2 问题定义116
4.3 实体对推荐理由识别方法118
4.3.1 训练数据的构建方法118
4.3.2 基于卷积神经网络的排序模型122
4.4 实验设置125
4.4.1 实验数据126
4.4.2 基线方法128
4.4.3 评价指标130
4.5 实验结果与分析130
4.5.1 人工设计特征与自动学习特征的比较131
4.5.2 基于pointwise与基于pairwise的排序方法的比较132
4.5.3 本方法与三种基线方法的比较133
4.6 本章小结138
第5章 基于机器翻译模型的实体推荐理由生成
5.1 引言139
5.2 问题定义142
5.3 基于统计机器翻译模型的实体推荐理由生成144
5.4 基于神经机器翻译模型的实体推荐理由生成148
5.4.1 Seq2Seq模型149
5.4.2 由实体信息指导的Seq2Seq模型156
5.4.3 基于Seq2Seq的实体推荐理由生成模型161
5.5 实验设置162
5.5.1 实验数据162
5.5.2 对比方法165
5.5.3 评价指标169
5.6 实验结果与分析171
5.6.1 不同实体推荐理由生成方法的比较与分析171
5.6.2 基于Seq2Seq的实体推荐理由生成模型分析174
5.6.3 基于实例的方法的比较与分析176
5.7 本章小结181
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
展开全部
书友推荐
本类畅销
-
基于近邻思想和同步模型的聚类算法
¥44.1¥59 -
深度学习
¥92.4¥168 -
微信背后的产品观
¥62.6¥88 -
NGINX经典教程
¥89.9¥119.8 -
图解TCP/IP(第6版)
¥56.9¥79.8 -
物联网动态服务的协同感知与调控优化
¥51.4¥72
