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)
图计算与推荐系统 版权信息
- ISBN：9787111736967
- 条形码：9787111736967 ; 978-7-111-73696-7
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
图计算与推荐系统 本书特色
（1）作者背景资深：作者是资深的人工智能技术专家、搜索与推荐系统技术专家，在多加企业担任算法专家、技术总监、CTO等职。
（2）作者经验丰富：作者在人工智能（NLP方向）、搜索与推荐领域工作10余年，主导了多个推荐系统项目，实战经验丰富。
（3）紧跟技术前沿：讲解图计算、图神经网络、知识图谱在推荐系统领域的*新应用，以及推荐系统的热点问题和研究方向。
（4）解决工程难题：讲解工业级推荐系统的架构、面临的难题以及解决方案，以及工业级推荐系统的增长方案。
（5）注重实战、案例详细：本书注重实战，旨在解决工程实践中的具体问题，包含大量案例且讲解详细。
（6）图文并茂、通俗易懂：书中包含大量图、表，以可视化方式呈现，语言通俗易懂，阅读体验好，让读者事半功倍。
图计算与推荐系统 内容简介
这是一本全面讲解图计算、知识图谱及其在推荐系统领域应用的专著，为读者基于神经网络构建推荐系统提供了详细指导，是作者在相关领域10余年经验的总结。掌握本书内容，读者可开发出能处理多模态数据的推荐算法系统，提供更丰富和准确的推荐体验。
本书主要内容分为两篇。
**篇 图数据以及图模型（第1-3章）
对图数据、图神经网络、知识图谱的基础知识进行了梳理，帮助读者掌握着3项技术的关键原理与算法，为后面的学习打下基础。
第二篇 推荐系统（第4-9章）
首先介绍了推荐系统的架构，包括逻辑架构、技术架构和数据建模，以及基于GNN的推荐系统架构；然后详细讲解了如何基于GNN构建推荐系统，以及基于图的推荐算法；再接着讲解了知识图谱在推荐系统中的应用以及相关的算法模型；*后，探讨了推荐系统领域当前的热点问题、研究方向以及工业级推荐系统领域的核心难题
这是一本全面讲解图计算、知识图谱及其在推荐系统领域应用的专著，为读者基于神经网络构建推荐系统提供了详细指导，是作者在相关领域10余年经验的总结。掌握本书内容，读者可开发出能处理多模态数据的推荐算法系统，提供更丰富和准确的推荐体验。
本书主要内容分为两篇。
**篇 图数据以及图模型（第1-3章）
对图数据、图神经网络、知识图谱的基础知识进行了梳理，帮助读者掌握着3项技术的关键原理与算法，为后面的学习打下基础。
第二篇 推荐系统（第4-9章）
首先介绍了推荐系统的架构，包括逻辑架构、技术架构和数据建模，以及基于GNN的推荐系统架构；然后详细讲解了如何基于GNN构建推荐系统，以及基于图的推荐算法；再接着讲解了知识图谱在推荐系统中的应用以及相关的算法模型；*后，探讨了推荐系统领域当前的热点问题、研究方向以及工业级推荐系统领域的核心难题
本书注重实战，故理论知识简练且极具针对性，包含大量实战案例，图文并茂，易于阅读。
图计算与推荐系统 目录
Contents..目 录
推荐序一
推荐序二
推荐序三
前言
**篇 图数据与图模型
第1章 图数据基础 2
1.1 数学基础 2
1.2 图的基本知识 4
1.2.1.什么是图 4
1.2.2.图中基本元素及定义 5
1.3 图的表示方法 10
1.3.1.图的代数表示 11
1.3.2.图的遍历 13
1.4 图数据及图神经网络 14
1.4.1.图数据的性质 14
1.4.2.图数据应用 15
1.4.3.图神经网络的发展史 16
1.5 本章小结 17
第2章 图神经网络基础 18
2.1 神经网络的基本知识 18
2.1.1.神经元 19
2.1.2.前馈神经网络 22
2.1.3.反向传播 23
2.2 卷积神经网络 24
2.2.1.卷积神经网络基本概念
和特点 25
2.2.2.卷积神经网络模型 29
2.3 循环神经网络 30
2.3.1.循环神经网络结构和
特点 31
2.3.2.循环神经网络模型 35
2.4 图神经网络 36
2.4.1.图神经网络综述 36
2.4.2.卷积图神经网络 41
2.4.3.循环图神经网络 42
2.5 本章小结 44
第3章 知识图谱基础 46
3.1 知识图谱的定义和模型 46
3.1.1.知识图谱定义 47
3.1.2.知识图谱嵌入 48
3.1.3.距离变换模型 51
3.1.4.语义匹配模型 53
3.2 知识图谱上的神经网络 55
3.2.1.关系图卷积网络 55
3.2.2.知识图谱与注意力模型 55
3.3 本章小结 59
第二篇 推荐系统
第4章 推荐系统架构 62
4.1 推荐系统的逻辑架构 62
4.2 推荐系统的技术架构 67
4.3 推荐系统的数据和模型部分 69
4.3.1.推荐系统中的数据平台
建设 69
4.3.2.推荐系统中的数据挖掘
方法 73
4.3.3.推荐系统模型 76
4.4 推荐系统的评估 81
4.4.1.推荐系统的评估实验
方法 89
4.4.2.离线评估 89
4.4.3.在线评估 92
4.5 基于GNN的推荐系统架构 94
4.6 本章小结 96
第5章 基于GNN的推荐系统构
建基础 97
5.1 关于嵌入 97
5.2 Word2Vec 102
5.2.1.哈夫曼树与哈夫曼编码 103
5.2.2.基于Hierarchical Softmax的CBOW模型 104
5.2.3.基于Hierarchical Softmax
的Skip-gram模型 107
5.3 Item2Vec 109
5.4 图嵌入 111
5.4.1.DeepWalk算法 112
5.4.2.Line算法 113
5.4.3.Node2Vec算法 115
5.5 本章小结 117
第6章 基于图的推荐算法 118
6.1 基于图的召回算法 118
6.1.1.从协同过滤到GCMC 118
6.1.2.召回阶段的深度学习
算法 121
6.1.3.图召回的方法 129
6.2 基于图的排序算法 141
6.2.1.基于特征交互建模——GraphFM模型 142
6.2.2.基于显式关系建模——
GMT模型 145
6.3 本章小结 150
第7章 知识图谱与推荐系统 151
7.1 利用图谱建模 151
7.1.1.RippleNet模型 152
7.1.2.KGAT模型 155
7.2 图谱建模与物品推荐关联学习 159
7.2.1.KTUP模型 159
7.2.2.MKR模型 161
7.3 物品增强学习 164
7.3.1.DKN模型 164
7.3.2.KRED模型 166
7.4 增强可解释性 169
7.4.1.KPRN模型 170
7.4.2.PGPR模型 171
7.5 本章小结 175
第8章 推荐系统的热点问题和
研究方向 176
8.1 推荐系统的热点问题 176
8.1.1.多源数据融合 177
8.1.2.冷启动 178
8.1.3.可解释性 183
8.1.4.探索和利用 184
8.1.5.茧房效应 188
8.1.6.用户隐私 189
8.1.7.评估问题 190
8.2 推荐系统研究方向 190
8.2.1.推荐中的图神经网络 192
8.2.2.推荐中的强化学习 193
8.2.3.因果推荐 200
8.3 本章小结 202
第9章 推荐系统实践 203
9.1 工业级系统架构 203
9.1.1.工业级推荐系统的特点 204
9.1.2.推荐系统的常见架构 205
9.1.3.工业级基于图神经网络的
推荐系统 207
9.2 工业级推荐系统问题及解决
办法 209
9.2.1.冷启动问题及解决办法 209
9.2.2.模型问题及解决办法 210
9.3 工业级推荐系统增长方案 212
9.3.1.召回 212
9.3.2.排序 215
9.4 本章小结 218
推荐序一
推荐序二
推荐序三
前言
**篇 图数据与图模型
第1章 图数据基础 2
1.1 数学基础 2
1.2 图的基本知识 4
1.2.1.什么是图 4
1.2.2.图中基本元素及定义 5
1.3 图的表示方法 10
1.3.1.图的代数表示 11
1.3.2.图的遍历 13
1.4 图数据及图神经网络 14
1.4.1.图数据的性质 14
1.4.2.图数据应用 15
1.4.3.图神经网络的发展史 16
1.5 本章小结 17
第2章 图神经网络基础 18
2.1 神经网络的基本知识 18
2.1.1.神经元 19
2.1.2.前馈神经网络 22
2.1.3.反向传播 23
2.2 卷积神经网络 24
2.2.1.卷积神经网络基本概念
和特点 25
2.2.2.卷积神经网络模型 29
2.3 循环神经网络 30
2.3.1.循环神经网络结构和
特点 31
2.3.2.循环神经网络模型 35
2.4 图神经网络 36
2.4.1.图神经网络综述 36
2.4.2.卷积图神经网络 41
2.4.3.循环图神经网络 42
2.5 本章小结 44
第3章 知识图谱基础 46
3.1 知识图谱的定义和模型 46
3.1.1.知识图谱定义 47
3.1.2.知识图谱嵌入 48
3.1.3.距离变换模型 51
3.1.4.语义匹配模型 53
3.2 知识图谱上的神经网络 55
3.2.1.关系图卷积网络 55
3.2.2.知识图谱与注意力模型 55
3.3 本章小结 59
第二篇 推荐系统
第4章 推荐系统架构 62
4.1 推荐系统的逻辑架构 62
4.2 推荐系统的技术架构 67
4.3 推荐系统的数据和模型部分 69
4.3.1.推荐系统中的数据平台
建设 69
4.3.2.推荐系统中的数据挖掘
方法 73
4.3.3.推荐系统模型 76
4.4 推荐系统的评估 81
4.4.1.推荐系统的评估实验
方法 89
4.4.2.离线评估 89
4.4.3.在线评估 92
4.5 基于GNN的推荐系统架构 94
4.6 本章小结 96
第5章 基于GNN的推荐系统构
建基础 97
5.1 关于嵌入 97
5.2 Word2Vec 102
5.2.1.哈夫曼树与哈夫曼编码 103
5.2.2.基于Hierarchical Softmax的CBOW模型 104
5.2.3.基于Hierarchical Softmax
的Skip-gram模型 107
5.3 Item2Vec 109
5.4 图嵌入 111
5.4.1.DeepWalk算法 112
5.4.2.Line算法 113
5.4.3.Node2Vec算法 115
5.5 本章小结 117
第6章 基于图的推荐算法 118
6.1 基于图的召回算法 118
6.1.1.从协同过滤到GCMC 118
6.1.2.召回阶段的深度学习
算法 121
6.1.3.图召回的方法 129
6.2 基于图的排序算法 141
6.2.1.基于特征交互建模——GraphFM模型 142
6.2.2.基于显式关系建模——
GMT模型 145
6.3 本章小结 150
第7章 知识图谱与推荐系统 151
7.1 利用图谱建模 151
7.1.1.RippleNet模型 152
7.1.2.KGAT模型 155
7.2 图谱建模与物品推荐关联学习 159
7.2.1.KTUP模型 159
7.2.2.MKR模型 161
7.3 物品增强学习 164
7.3.1.DKN模型 164
7.3.2.KRED模型 166
7.4 增强可解释性 169
7.4.1.KPRN模型 170
7.4.2.PGPR模型 171
7.5 本章小结 175
第8章 推荐系统的热点问题和
研究方向 176
8.1 推荐系统的热点问题 176
8.1.1.多源数据融合 177
8.1.2.冷启动 178
8.1.3.可解释性 183
8.1.4.探索和利用 184
8.1.5.茧房效应 188
8.1.6.用户隐私 189
8.1.7.评估问题 190
8.2 推荐系统研究方向 190
8.2.1.推荐中的图神经网络 192
8.2.2.推荐中的强化学习 193
8.2.3.因果推荐 200
8.3 本章小结 202
第9章 推荐系统实践 203
9.1 工业级系统架构 203
9.1.1.工业级推荐系统的特点 204
9.1.2.推荐系统的常见架构 205
9.1.3.工业级基于图神经网络的
推荐系统 207
9.2 工业级推荐系统问题及解决
办法 209
9.2.1.冷启动问题及解决办法 209
9.2.2.模型问题及解决办法 210
9.3 工业级推荐系统增长方案 212
9.3.1.召回 212
9.3.2.排序 215
9.4 本章小结 218
展开全部
图计算与推荐系统 作者简介
刘 宇 资深AI技术专家和搜索与推荐领域专家，曾在多家互联网公司担任资深算法专家、技术总监以及技术VP，现担任某创业公司CTO。在人工智能和信息检索领域有10余年开发经验，对主流的推荐、搜索、聊天机器人、大模型等技术、产品与解决方案都有深入研究，尤其擅长用简单高效的方法解决公司的数智化问题。 项目经验丰富，曾成功主导多个电商算法项目的落地和实施，参与完成多个推荐系统从0到1的搭建。曾在多家单位获得个人开发优秀贡献奖，带领团队多次获得团队优秀贡献奖。著有《智能搜索和推荐系统：原理、算法与应用》《聊天机器人：入门、进阶与实战》，其中前者在2022年被某电商平台评为“人工智能领域最受读者喜爱图书ToP5”。
书友推荐
本类畅销
-
Photoshop CS图像处理技术
¥27.2¥36 -
激漫:第8部:用电脑绘制漫画
¥17.6¥29.8 -
AutoCAD 2022快速入门、进阶与精通
¥70¥100 -
地理课件制作
¥26.8¥28 -
影视动画场景设计与表现
¥27.3¥39 -
从零开始玩转剪映
¥45.2¥59
