返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 搜索引擎中的实体推荐关键技术研究 黄际洲 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 黄际洲著
    • 出版社: 机械工业出版社
    • 出版时间:2022-06-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 黄际洲著
    • 出版社:机械工业出版社
    • 出版时间:2022-06-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2022-06-01
    • 字数:140000
    • 页数:240
    • 开本:32开
    • 装帧:平装
    • ISBN:9787111701170
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    搜索引擎中的实体推荐关键技术研究

    作  者:黄际洲 著
    定  价:49
    出 版 社:机械工业出版社
    出版日期:2022年06月01日
    页  数:240
    装  帧:平装
    ISBN:9787111701170
    主编推荐

    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。

    作者简介

    黄际洲,正高级工程师,百度人工智能技术委员会主席,百度地图首席研发架构师。多年来一直从事自然语言处理、知识图谱、数据挖掘等人工智能相关技术研发及大规模产业化工作,先后担任百度阿拉丁、图片搜索、搜索推荐、信息流推荐、百度地图等产品的研发架构师。已发表学术论文30余篇,获得已授权专利110余项。曾荣获中国电子学会科技进步一等奖、CCF优秀博士学位论文奖。

    精彩内容

    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
    5.4.1Seq2Seq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

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购