智能推薦技術

定　價：￥69.80

作　者：	潘微科，林晶，明仲
出版社：	清華大學出版社
叢編項：	大數(shù)據(jù)與人工智能技術叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302600107	出版時間：	2022-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	275	字數(shù)：

內(nèi)容簡介

　　《智能推薦技術（大數(shù)據(jù)與人工智能技術叢書）》圍繞電商、資訊等眾多實際應用背后的內(nèi)核，即智能推薦技術，系統(tǒng)介紹經(jīng)典和前沿技術，包括基于鄰域、矩陣分解、深度學習、遷移學習、聯(lián)邦學習等的建模方法和推薦算法。《智能推薦技術（大數(shù)據(jù)與人工智能技術叢書）》圍繞用戶行為數(shù)據(jù)的建模問題組織內(nèi)容，全書共分6部分：第1部分（第1章）為背景和基礎；第2部分（第2～4章）為單行為推薦，是指僅對一種顯式反饋（如評分）或一種隱式反饋（如瀏覽）數(shù)據(jù)進行建模；第3部分（第5～6章）為多行為推薦，是指同時考慮瀏覽和購買等包含多種行為的數(shù)據(jù)；第4部分（第7～8章）為序列推薦，是指同時關注用戶行為和這些行為的先后順序；第5部分（第9～10章）為聯(lián)邦推薦，更加關注用戶行為中的隱私和數(shù)據(jù)安全問題；第6部分（第11章）為總結(jié)與展望。全書綜合梳理了多個智能推薦問題和相關技術，分析了方法的優(yōu)缺點和內(nèi)在聯(lián)系，并在每章結(jié)束時提供了詳細的參考文獻和有針對性的習題?！吨悄芡扑]技術（大數(shù)據(jù)與人工智能技術叢書）》可以作為計算機科學與技術、軟件工程等相關專業(yè)的研究生和高年級本科生的教材，也可以作為推薦系統(tǒng)工程師的參考手冊。

作者簡介

　　潘微科，博士，深圳大學計算機與軟件學院副教授，碩士生導師，深圳市優(yōu)秀教師。主要研究方向為遷移學習、聯(lián)邦學習、推薦系統(tǒng)和機器學習，曾獲ACM TiiS 2016論文獎和SDM 2013論文提名獎。主持國家自然科學基金面上項目等多個科研項目，擔任知名國際期刊的編委、客座編委和杰出審稿人。林晶，碩士，深圳大學計算機與軟件學院2021屆畢業(yè)生，現(xiàn)任騰訊音樂研發(fā)工程師。主要研究方向為推薦系統(tǒng)、機器學習和深度學習，已在ACM TOIS、ACM RecSys等信息檢索和推薦系統(tǒng)領域的知名學術期刊和學術會議發(fā)表多篇科研論文，曾參與國家自然科學基金、華為云計算等科研項目。明仲，博士，深圳大學研究生院執(zhí)行院長、二級教授，博士生導師，廣東省移動互聯(lián)網(wǎng)應用中間件工程技術研究中心主任，鵬城學者特聘教授，曾獲國家教學成果獎1次和省教學成果一等獎4次。主要研究方向為人工智能、軟件工程和推薦系統(tǒng)，曾獄2013年度廣東省科學技術獎一等獎和2018年度中國電子學會科技進步一等獎。

圖書目錄

第1章概述
1．1 推薦技術簡介
1．2 推薦問題分類
1．3 數(shù)學基礎知識
1．3．1 線性代數(shù)
1．3．2 概率論
1．3．3 神經(jīng)網(wǎng)絡中的激活函數(shù)
1．4 常用數(shù)據(jù)集和驗證方法
1．4．1 常用數(shù)據(jù)集
1．4．2 驗證方法
1．5 常用評價指標
1．5．1 面向評分預測的評價指標
1．5．2 面向物品排序的評價指標
1．6 深度學習平臺簡介
1．7 本章小結(jié)
1．8 參考文獻
1．9 習題
第2章基于顯式反饋的評分預測
2．1 協(xié)同過濾（CF）問題
2．2 基于均值填充的方法
2．2．1 預測公式
2．2．2 討論
2．3 基于鄰域的方法
2．3．1 基于用戶的協(xié)同過濾
2．3．2 基于物品的協(xié)同過濾
2．3．3 混合協(xié)同過濾
2．3．4 討論
2．4 基于矩陣分解的方法
2．4．1 概率矩陣分解
2．4．2 改進的奇異值分解
2．4．3 結(jié)合多類偏好上下文的矩陣分解
2．4．4 因子分解機
2．5 基于深度學習的方法
2．5．1 受限玻爾茲曼機
2．5．2 自編碼器
2．6 本章小結(jié)
2．7 參考文獻
2．8 習題
第3章基于顯式反饋的物品排序
3．1 協(xié)同排序（CR）問題
3．2 粗精遷移排序
3．2．1 模型介紹
3．2．2 算法流程
3．2．3 代碼實現(xiàn)
3．2．4 實驗設置
3．2．5 討論
3．3 上下文感知協(xié)同排序
3．3．1 模型介紹
3．3．2 算法流程
3．3．3 代碼實現(xiàn)
3．3．4 實驗設置
3．3．5 討論
3．4 整全遷移排序
3．4．1 模型介紹
3．4．2 基于模型的整全遷移排序
3．4．3 基于鄰域的整全遷移排序
3．4．4 代碼實現(xiàn)
3．4．5 實驗設置
3．4．6 討論
3．5 本章小結(jié)
3．6 參考文獻
3．7 習題
第4章基于隱式反饋的物品排序
4．1 單類協(xié)同過濾（OCCF）問題
4．2 基于熱度的方法
……
第5章基于異構反饋的評分預測
第6章基于異構反饋的物品排序
第7章單行為序列推薦
第8章多行為序列推薦
第9章跨用戶聯(lián)邦推薦
第10章跨組織聯(lián)邦推薦
第11章總結(jié)與展望
附錄A 學術期刊論文數(shù)量統(tǒng)計
附錄B 學術會議論文數(shù)量統(tǒng)計
附錄C 推薦系統(tǒng)國際會議研究話題
附錄D 推薦系統(tǒng)國際會議研討會主題
附錄E 中英文術語對照表
后記
致謝