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:

  • 机器学习算法实践 推荐系统的协同过滤理论及其应用 王建芳 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 王建芳著
    • 出版社: 清华大学出版社
    • 出版时间:2018-11-01 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: 王建芳著
    • 出版社:清华大学出版社
    • 出版时间:2018-11-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-11-01
    • 字数:270000
    • 页数:208
    • 开本:16开
    • 装帧:平装
    • ISBN:9787302507833
    • 国别/地区:中国
    • 版权提供:清华大学出版社

    机器学习算法实践 推荐系统的协同过滤理论及其应用

    作  者:王建芳 著
    定  价:69
    出 版 社:清华大学出版社
    出版日期:2018年11月01日
    页  数:208
    装  帧:平装
    ISBN:9787302507833
    主编推荐

    内容简介

    个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求,并为其推送个性化信息,因此受到研究者的追捧及工业界的青睐,其研究具有重大的学术价值及商业应用价值,已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。本书内容丰富,较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略,主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。

    作者简介

    王建芳,博士,副教授,硕士研究生导师,现任河南理工大学ACM/ICPC总教练;主要从事人工智能、数据挖掘和智能计算算法等方向的研究工作,具有丰富的系统研究开发经验和扎实的理论基础知识。长期指导学生参加各种程序算法设计类竞赛,并多次获得省级及以上奖励;曾多次获得相关赛事的“很好指导教师”称号。

    精彩内容

    目录
    第一篇基础理论
    第1章理论入门
    1.1引言
    1.2推荐系统的形式化定义
    1.3基于近邻的协同过滤推荐算法
    1.3.1余弦相似度
    1.3.2修正余弦相似度
    1.3.3Pearson相似度
    1.3.4Jaccard相似度
    1.4基于用户兴趣的推荐算法
    1.5基于模型的协同过滤推荐算法
    1.5.1矩阵分解模型
    1.5.2交替最小二乘
    1.5.3概率矩阵分解
    1.5.4非负矩阵分解
    1.6基于信任的协同过滤推荐算法
    1.7推荐系统现存问题
    1.7.1冷启动
    1.7.2数据稀疏性
    1.7.3可扩展性
    1.7.4用户兴趣漂移
    1.8评测指标
    本章小结
    参考文献
    第二篇基于时序的协同过滤推荐算法
    第2章基于巴式系数改进相似度的协同过滤推荐算法
    2.1引言
    2.2相关工作
    2.2.1余弦相似度
    2.2.2调整余弦相似度
    2.2.3Pearson相关系数
    2.2.4Jaccard相似度
    2.3一种巴氏系数改进相似度的协同过滤推荐算法
    2.3.1巴氏系数
    2.3.2巴氏系数相似度
    2.3.3BCCF算法描述
    2.4实验与分析
    2.4.1数据集
    2.4.2评价标准
    2.4.3实验结果与分析
    本章小结
    参考文献
    第3章基于用户兴趣和项目属性的协同过滤推荐算法
    3.1引言
    3.2相关工作
    3.3基于用户兴趣和项目属性的协同过滤推荐算法
    3.3.1基于时间的用户兴趣度权重
    3.3.2改进相似度计算
    3.3.3加权预测评分
    3.3.4算法步骤
    3.4实验结果与分析
    3.4.1数据集
    3.4.2评价标准
    3.4.3结果分析
    本章小结
    参考文献
    第三篇基于矩阵分解的协同过滤推荐算法
    第4章SVD和信任因子相结合的协同过滤推荐算法
    4.1引言
    4.2标注和相关工作
    4.2.1标注
    4.2.2奇异值分解
    4.2.3计算相似度
    4.3SVD和信任因子相结合的协同过滤推荐算法
    4.3.1项目特征空间
    4.3.2两阶段k近邻选择
    4.3.3信任因子
    4.3.4预测评分
    4.3.5算法
    4.4实验结果与分析
    4.4.1数据集和实验环境
    4.4.2评价标准
    4.4.3实验结果分析
    本章小结
    参考文献
    第5章相似度填充的概率矩阵分解的协同过滤推荐算法
    5.1引言
    5.2相关工作
    5.2.1协同过滤推荐算法
    5.2.2概率矩阵分解技术
    5.3CF?PFCF算法
    5.3.1算法设计思想
    5.3.2CF?PFCF算法的描述
    5.4实验分析
    5.4.1数据集与误差标准
    5.4.2实验结果与性能比较
    本章小结
    参考文献
    第6章基于偏置信息的改进概率矩阵分解算法研究
    6.1引言
    6.2相关工作
    6.2.1矩阵分解模型
    6.2.2Baseline预测
    6.3算法流程
    6.4实验分析
    6.4.1实验所用数据集
    6.4.2实验环境配置
    6.4.3实验评价标准
    6.4.4实验结果及分析
    本章小结
    参考文献
    第7章基于项目属性改进概率矩阵分解算法
    7.1引言
    7.2IAR?BP算法
    7.2.1相似度度量
    7.2.2算法描述
    7.2.3算法复杂度分析
    7.3实验结果对比分析
    7.3.1实验数据集
    7.3.2实验评价标准
    7.3.3对比实验配置及说明
    7.3.4实验参数分析
    7.3.5实验对比
    本章小结
    参考文献
    第8章基于交替最小二乘的改进概率矩阵分解算法
    8.1引言
    8.2交替最小二乘
    8.3Baseline预测
    8.4IPMF算法
    8.4.1算法改进思想
    8.4.2算法流程
    8.4.3复杂度分析
    8.5实验结果分析
    8.5.1对比实验设定
    8.5.2实验分析
    本章小结
    参考文献
    第9章基于社交网络的改进概率矩阵分解算法研究
    9.1引言
    9.2相关工作
    9.2.1推荐系统的形式化
    9.2.2矩阵分解与推荐系统
    9.3概率矩阵分解
    9.4主要研究内容
    9.4.1基于社交网络的改进概率矩阵分解
    9.4.2算法流程
    9.4.3算法复杂度分析
    9.5实验分析
    9.5.1实验数据集
    9.5.2实验评价标准
    9.5.3对比算法
    9.5.4潜在因子维度的影响
    9.5.5偏置的影响
    9.5.6信任因子的影响
    9.5.7对比实验分析
    本章小结
    参考文献
    第10章带偏置的非负矩阵分解推荐算法
    10.1引言
    10.2相关工作
    10.2.1矩阵分解
    10.2.2奇异值矩阵
    10.2.3Baseline预测
    10.2.4NMF算法
    10.3RBNMF算法
    10.3.1理论分析
    10.3.2RBNMF算法流程
    10.4实验分析
    10.4.1数据集
    10.4.2评价标准
    10.4.3实验结果及分析
    本章小结
    参考文献
    第11章基于项目热度的协同过滤推荐算法
    11.1引言
    11.2非负矩阵分解
    11.3两阶段近邻选择
    11.3.1两阶段k近邻选择
    11.3.2项目“热度”和局部信任
    11.3.3预测评分
    11.4算法描述
    11.5实验结果分析
    11.5.1不同策略下相似度的分布
    11.5.2两种因素的分布与分析
    11.5.3实验结果及分析
    本章小结
    参考文献
    第四篇基于信任的协同过滤推荐算法
    第12章带偏置的专家信任推荐算法
    12.1引言
    12.2相关工作
    12.2.1专家算法
    12.2.2生成推荐值
    12.2.3Baseline预测
    12.3改进专家算法
    12.3.1改进专家信任
    12.3.2评分形成
    12.3.3算法描述
    12.4实验结果与分析
    12.4.1数据集
    12.4.2评估标准
    12.4.3实验结果及分析
    本章小结
    参考文献
    第13章一种改进专家信任的协同过滤推荐算法
    13.1引言
    13.2标注与相关工作
    13.2.1标注
    13.2.2近邻模型
    13.2.3专家算法
    13.3改进专家算法
    13.3.1重要概念
    13.3.2评分形成
    13.3.3算法描述
    13.4实验结果与分析
    13.4.1数据集
    13.4.2评估标准
    13.4.3实验结果与分析
    本章小结
    参考文献
    第五篇原型系统开发
    第14章电影推荐原型系统
    14.1引言
    14.2主要功能
    14.3关键技术
    14.3.1概率矩阵分解模型
    14.3.2社交网络正则化
    14.4集群搭建
    14.4.1集群软硬件环境
    14.4.2Spark集群
    14.4.3HBase集群
    14.5系统特点
    14.6用户使用说明
    14.6.1系统简介界面
    14.6.2建模一和建模二界面
    14.6.3集群界面
    14.6.4看过的电影界面
    14.6.5推荐电影界面
    14.6.6统计分析界面
    参考文献

    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