-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

推薦系統

( 簡體 字)
作者:[奧] Dietmar Jannach Markus Zanker Alexander Felfernig Gerhard Friedrich 類別:1. -> 程式設計 -> 綜合
譯者:
出版社:人民郵電出版社推薦系統 3dWoo書號: 35943
詢問書籍請說出此書號!

缺書
不接受訂購

出版日:7/1/2013
頁數:225
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
不接受訂購
ISBN:9787115310699
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

內容簡介:

《推薦系統》全面闡述了開發最先進推薦系統的方法,其中呈現了許多經典算法,并討論了如何衡量推薦系統的有效性。書中內容分為基本概念和最新進展兩部分:前者涉及協同推薦、基于內容的推薦、基于知識的推薦、混合推薦方法,推薦系統的解釋、評估推薦系統和實例分析;后者包括針對推薦系統的攻擊、在線消費決策、推薦系統和下一代互聯網以及普適環境中的推薦。此外,《推薦系統》還包含大量的圖、表和示例,有助于讀者理解和把握相關知識。
  《推薦系統》適用于從事搜索引擎、推薦算法、數據挖掘等研發工作的專業人員以及對推薦系統感興趣的讀者。
目錄:

目 錄 第1章 引言 1 1.1 第一部分:基本概念 2 1.1.1 協同過濾推薦 2 1.1.2 基于內容的推薦 2 1.1.3 基于知識的推薦 3 1.1.4 混合推薦方法 4 1.1.5 推薦系統的解釋 4 1.1.6 評估推薦系統 4 1.1.7 案例研究 5 1.2 第二部分:最新進展 5 第一部分 基本概念 第2章 協同過濾推薦 8 2.1 基于用戶的最近鄰推薦 8 2.1.1 第一個例子 8 2.1.2 更好的相似度和賦權體系 10 2.1.3 選擇近鄰 11 2.2 基于物品的最近鄰推薦 11 2.2.1 余弦相似度度量 12 2.2.2 基于物品過濾的數據預處理 13 2.3 關于評分 14 2.3.1 隱式和顯式評分 14 2.3.2 數據稀疏和冷啟動問題 15 2.4 更多基于模型和預處理的方法 16 2.4.1 矩陣因子分解 17 2.4.2 關聯規則挖掘 20 2.4.3 基于概率分析的推薦方法 22 2.5 近來實際的方法和系統 25 2.5.1 Slope One預測器 26 2.5.2 Google新聞個性化推薦引擎 28 2.6 討論和小結 30 2.7 書目注釋 31 第3章 基于內容的推薦 32 3.1 內容表示和相似度 33 3.1.1 向量空間模型和TF-IDF 34 3.1.2 向量空間模型的改進及局限 35 3.2 基于內容相似度檢索 36 3.2.1 最近鄰 36 3.2.2 相關性反饋——Rocchio方法 37 3.3 其他文本分類方法 40 3.3.1 基于概率模型的方法 40 3.3.2 其他線性分類器和機器學習 43 3.3.3 顯式決策模型 44 3.3.4 特征選擇 45 3.4 討論 47 3.4.1 對比評估 47 3.4.2 局限 47 3.5 小結 48 3.6 書目注釋 49 第4章 基于知識的推薦 51 4.1 介紹 51 4.2 知識表示法和推理 52 4.2.1 約束 52 4.2.2 實例與相似度 54 4.3 與基于約束推薦系統交互 55 4.3.1 默認設置 55 4.3.2 處理不滿意的需求和空結果集 57 4.3.3 提出對未滿足需求的修改建議 61 4.3.4 對基于物品/效用推薦結果的排序 61 4.4 與基于實例的推薦系統交互 64 4.4.1 評價 65 4.4.2 混合評價 67 4.4.3 動態評價 67 4.4.4 高級的物品推薦方法 70 4.4.5 評價多樣性 71 4.5 應用實例 72 4.5.1 VITA——基于約束的推薦系統 72 4.5.2 Entree——基于實例的推薦系統 77 4.6 書目注釋 79 第5章 混合推薦方法 80 5.1 混合推薦的時機 81 5.1.1 推薦理論框架 81 5.1.2 混合設計 82 5.2 整體式混合設計 83 5.2.1 特征組合的混合方案 84 5.2.2 特征補充的混合方案 85 5.3 并行式混合設計 87 5.3.1 交叉式混合 87 5.3.2 加權式混合 88 5.3.3 切換式混合 89 5.4 流水線混合設計 90 5.4.1 串聯混合 90 5.4.2 分級混合 91 5.5 討論和小結 92 5.6 書目注釋 92 第6章 推薦系統的解釋 94 6.1 介紹 94 6.2 基于約束的推薦系統中的解釋 96 6.2.1 實例 97 6.2.2 通過推導生成解釋 99 6.2.3 可靠解釋的分析與概述 100 6.2.4 可靠解釋 102 6.3 基于實例推薦系統的解釋 103 6.4 協同過濾推薦系統的解釋 106 6.5 小結 108 第7章 評估推薦系統 109 7.1 介紹 109 7.2 評估研究的一般特性 110 7.2.1 總論 110 7.2.2 評估方案的實驗對象 111 7.2.3 研究方法 113 7.2.4 評估環境 115 7.3 主流推薦方案 115 7.4 歷史數據集評估 116 7.4.1 方法論 116 7.4.2 衡量標準 117 7.4.3 結果的分析 121 7.5 其他評估方案 121 7.5.1 實驗性研究方案 122 7.5.2 準實驗研究方案 122 7.5.3 非實驗研究方案 123 7.6 小結 123 7.7 書目注釋 124 第8章 案例分析:移動互聯網個性化游戲推薦 125 8.1 應用與個性化概述 126 8.2 算法和評級 128 8.3 評估 128 8.3.1 測量1:我的推薦 129 8.3.2 測量2:售后推薦 131 8.3.3 測量3:起始頁推薦 133 8.3.4 測量4:演示版下載的整體效果 135 8.3.5 測量5:整體效果 136 8.4 小結與結論 138 第二部分 最新進展 第9章 針對協同推薦系統的攻擊 140 9.1 第一個例子 141 9.2 攻擊維度 141 9.3 攻擊類型 142 9.3.1 隨機攻擊 142 9.3.2 均值攻擊 143 9.3.3 造勢攻擊 143 9.3.4 局部攻擊 143 9.3.5 針對性的打壓攻擊 144 9.3.6 點擊流攻擊和隱式反饋 144 9.4 效果評估和對策 145 9.4.1 推舉攻擊 145 9.4.2 打壓攻擊 146 9.5 對策 146 9.6 隱私方面——分布式協同過濾 148 9.6.1 集中方法:數據擾動 149 9.6.2 分布式協同過濾 150 9.7 討論 153 第10章 在線消費決策 155 10.1 介紹 155 10.2 環境效應 156 10.3 首位/新近效應 159 10.4 其他效應 160 10.5 個人和社會心理學 161 10.6 書目注釋 167 第11章 推薦系統和下一代互聯網 168 11.1 基于信任網絡的推薦系統 169 11.1.1 利用顯式的信任網絡 169 11.1.2 信任度度量方法和效果 171 11.1.3 相關方法和近期進展 172 11.2 大眾分類法及其他 174 11.2.1 基于大眾分類法的推薦 174 11.2.2 推薦標簽 181 11.2.3 在分享媒體中推薦內容 183 11.3 本體過濾 185 11.3.1 通過分類改進過濾 185 11.3.2 通過屬性改進過濾 188 11.4 從網絡抽取語義 189 11.5 小結 191 第12章 普適環境中的推薦 192 12.1 介紹 192 12.2 上下文感知推薦 193 12.3 應用領域 195 12.4 小結 197 第13章 總結和展望 198 13.1 總結 198 13.2 展望 198 參考文獻 201 索引 223
序: