新書推薦：
《
生活中的民法典实用全书：应知应懂的法律常识
》
售價：HK$
106.8
《
饲渊
》
售價：HK$
47.8
《
现金为王：把利润留下来，把成本降下去
》
售價：HK$
82.8
《
经纬度丛书·巴勒斯坦人的故事：流亡者的悲情、绝望与抗争
》
售價：HK$
105.6
《
改变世界的哲学家们
》
售價：HK$
105.6
《
将军
》
售價：HK$
57.6
《
墓志的生成及其在唐代的衍变研究
》
售價：HK$
117.6
《
理解中国经济：在大变局中读懂新机遇
》
售價：HK$
54.0
|
| 編輯推薦： |
|
本书综合梳理了多个智能推荐问题和相关技术，分析了方法的优缺点和内在联系，并在每章结束时提供了详细的参考文献和有针对性的习题。本书可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材，也可以作为推荐系统工程师的参考手册。为了方便读者查阅资料和扩展阅读，本书附录给出了部分知名学术期刊和学术会议的列表、推荐系统国际会议（ACM RecSys）历年征文通知中的研究话题和研讨会的主题以及书中涉及的中英文术语对照表。
|
| 內容簡介： |
|
本书围绕电商、资讯等众多实际应用背后的内核，即智能推荐技术，系统介绍经典和前沿技术，包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。 本书围绕用户行为数据的建模问题组织内容，全书共分6部分： 第1部分（第1章）为背景和基础； 第2部分（第2～4章）为单行为推荐，是指仅对一种显式反馈（如评分）或一种隐式反馈（如浏览）数据进行建模； 第3部分（第5～6章）为多行为推荐，是指同时考虑浏览和购买等包含多种行为的数据； 第4部分（第7～8章）为序列推荐，是指同时关注用户行为和这些行为的先后顺序； 第5部分（第9～10章）为联邦推荐，更加关注用户行为中的隐私和数据安全问题； 第6部分（第11章）为总结与展望。全书综合梳理了多个智能推荐问题和相关技术，分析了方法的优缺点和内在联系，并在每章结束时提供了详细的参考文献和有针对性的习题。 本书可以作为计算机科学与技术、软件工程等相关专业的研究生和高年级本科生的教材，也可以作为推荐系统工程师的参考手册。
|
| 目錄：
|
第1章概述
1.1推荐技术简介
1.2推荐问题分类
1.3数学基础知识
1.3.1线性代数
1.3.2概率论
1.3.3神经网络中的激活函数
1.4常用数据集和验证方法
1.4.1常用数据集
1.4.2验证方法
1.5常用评价指标
1.5.1面向评分预测的评价指标
1.5.2面向物品排序的评价指标
1.6深度学习平台简介
1.7本章小结
1.8参考文献
1.9习题
第2章基于显式反馈的评分预测
2.1协同过滤(CF)问题
2.2基于均值填充的方法
2.2.1预测公式
2.2.2讨论
2.3基于邻域的方法
2.3.1基于用户的协同过滤
2.3.2基于物品的协同过滤
2.3.3混合协同过滤
2.3.4讨论
2.4基于矩阵分解的方法
2.4.1概率矩阵分解
2.4.2改进的奇异值分解
2.4.3结合多类偏好上下文的矩阵分解
2.4.4因子分解机
2.5基于深度学习的方法
2.5.1受限玻尔兹曼机
2.5.2自编码器
2.6本章小结
2.7参考文献
2.8习题
第3章基于显式反馈的物品排序
3.1协同排序(CR)问题
3.2粗精迁移排序
3.2.1模型介绍
3.2.2算法流程
3.2.3代码实现
3.2.4实验设置
3.2.5讨论
3.3上下文感知协同排序
3.3.1模型介绍
3.3.2算法流程
3.3.3代码实现
3.3.4实验设置
3.3.5讨论
3.4整全迁移排序
3.4.1模型介绍
3.4.2基于模型的整全迁移排序
3.4.3基于邻域的整全迁移排序
3.4.4代码实现
3.4.5实验设置
3.4.6讨论
3.5本章小结
3.6参考文献
3.7习题
第4章基于隐式反馈的物品排序
4.1单类协同过滤(OCCF)问题
4.2基于热度的方法
4.3基于邻域的方法
4.3.1相似度度量
4.3.2预测公式
4.4基于矩阵分解的方法
4.4.1贝叶斯个性化排序
4.4.2分解的物品相似度
4.4.3基于对数几率损失的矩阵分解
4.4.4基于元素的交替小二乘
4.5基于深度学习的方法
4.5.1神经协同过滤
4.5.2协同降噪自编码器
4.5.3变分自编码器
4.6本章小结
4.7参考文献
4.8习题
第5章基于异构反馈的评分预测
5．1异构协同过滤(HCF)问题
5．2迁移共同分解
5．2．1技术细节
5．2．2算法流程
5．2．3代码实现
5．2．4实验设置
5．2．5讨论
5．3偏好感知迁移
5．3．1技术细节
5．3．2算法流程
5．3．3代码实现
5．3．4实验设置
5．3．5讨论
5．4本章小结
5．5参考文献
5．6习题
第6章基于异构反馈的物品排序
6．1异构单类协同过滤(HOCCF)问题
6．2基于全量的异构反馈建模
6．2．1技术细节
6．2．2算法流程
6．2．3代码实现
6．2．4实验设置
6．2．5讨论
6．3基于角色的异构反馈建模
6．3．1技术细节
6．3．2算法流程
6．3．3代码实现
6．3．4实验设置
6．3．5讨论
6．4基于关系的异构反馈建模
6．4．1技术细节
6．4．2代码实现
6．4．3实验设置
6．4．4讨论
6．5其他异构反馈建模方法
6．5．1基于矩阵分解的方法
6．5．2基于迁移学习的方法
6．5．3基于深度学习的方法
6．6本章小结
6．7参考文献
6．8习题
第7章单行为序列推荐
7．1序列单类协同过滤(SOCCF)问题
7．2基于分解马尔可夫链的FPMC算法
7．2．1预测公式和优化目标
7．2．2梯度、更新公式和算法流程
7．2．3实验设置
7．2．4讨论
7．3基于分解高阶马尔可夫链的Fossil算法
7．3．1预测公式和优化目标
7．3．2梯度、更新公式和算法流程
7．3．3实验设置
7．3．4讨论
7．4基于双向物品相似度的BIS算法
7．4．1BIS算法的原理
7．4．2BIS算法的实现
7．4．3讨论
7．5基于循环神经网络的GRU4Rec算法
7．5．1GRU4Rec算法的原理
7．5．2GRU4Rec算法的实现
7．5．3讨论
7．6基于卷积神经网络的Caser算法
7．6．1Caser算法的原理
7．6．2Caser算法的实现
7．6．3讨论
7．7基于自注意力网络的SASRec算法
7．7．1SASRec算法的原理
7．7．2SASRec算法的实现
7．7．3讨论
7．8基于平移空间的TransRec算法
7．8．1预测公式与优化目标
7．8．2梯度、更新公式与算法流程
7．8．3实验设置
7．8．4讨论
7．9本章小结
7．10参考文献
7．11习题
第8章多行为序列推荐
8．1序列异构单类协同过滤(SHOCCF)问题
8．2基于循环神经网络的方法
8．2．1RLBL算法
8．2．2RIB算法
8．2．3BINN算法
8．2．4讨论
8．3基于图神经网络的方法
8．3．1MSR算法
8．3．2MGNNSPred算法
8．3．3讨论
8．4本章小结
8．5参考文献
8．6习题
第9章跨用户联邦推荐
9．1跨用户联邦推荐(CUFR)问题
9．2隐私敏感的评分预测
9．2．1FedRec算法
9．2．2FedRec 算法
9．2．3SFSL算法
9．3隐私敏感的物品排序
9．3．1FCF算法
9．3．2PIOCCF算法
9．4本章小结
9．5参考文献
9．6习题
第10章跨组织联邦推荐
10．1跨组织联邦推荐(COFR)问题
10．2共同矩阵分解
10．2．1技术细节
10．2．2讨论
10．3联邦矩阵分解
10．3．1技术细节
10．3．2讨论
10．4联邦共同矩阵分解
10．4．1技术细节
10．4．2算法流程
10．4．3讨论
10．5本章小结
10．6参考文献
10．7习题
第11章总结与展望
11．1总结
11．2展望
11．3参考文献
11．4习题
附录A学术期刊论文数量统计
附录B学术会议论文数量统计
附录C推荐系统国际会议研究话题
附录D推荐系统国际会议研讨会主题
附录E中英文术语对照表
后记
致谢
|
| 內容試閱：
|
在大数据和人工智能时代，智能推荐技术作为一种应对信息过载问题和提供个性化服务的有效手段，在学术研究和商业应用方面受到了广泛关注，并取得了巨大成功，甚至被称为一个互联网应用系统的“标配”。
从学术研究的角度来看，科研人员对用户的各种行为数据进行了深入的研究，包括显式反馈数据(如用户对物品的评分行为)、隐式反馈数据(如用户对物品的浏览行为)、包含多种用户行为的异构反馈数据以及用户的序列反馈数据等。此外，深度学习、迁移学习和联邦学习等前沿技术也被引入用户行为的建模中，以提升推荐的性能和隐私安全。
从商业应用的角度来看，通过对系统中的用户行为(或反馈)数据的建模，相关算法和技术能较为有效地挖掘和学习用户的真实偏好，进而为用户提供精准的个性化服务，因此具有非常广阔的应用场景。近年来，在电子商务、新闻资讯、视频点播、开放课程、智慧出行和人才招聘等应用领域都有许多非常成功的案例。
本书围绕这些应用背后的内核，即智能推荐技术，系统介绍经典和前沿技术，包括基于邻域、矩阵分解、深度学习、迁移学习、联邦学习等的建模方法和推荐算法。本书围绕用户行为数据的建模问题组织内容，主要包括单行为推荐、多行为推荐、序列推荐和联邦推荐四方面。其中，“单行为”是指仅对一种显式反馈(如评分)或一种隐式反馈(如浏览)数据进行建模； “多行为”是指同时考虑浏览和购买等包含多种行为的数据； “序列”是指同时关注用户行为和这些行为的先后顺序； 而“联邦”则更加关注用户行为中的隐私和数据安全问题。
本书综合梳理了多个智能推荐问题和相关技术，分析了方法的优点、缺点和内在联系，并在每章章末提供了详细的参考文献和有针对性的习题。本书可以作为高等学校计算机科学与技术、软件工程等相关专业的教材，也可以作为推荐系统工程师的参考手册。为了方便读者查阅资料和扩展阅读，本书的附录部分给出了部分知名学术期刊和学术会议的列表、推荐系统国际会议(ACM RecSys)历年征文通知中的研究话题和研讨会的主题以及书中涉及的中英文术语对照表。
书中的大部分内容来自“智能推荐”研究组以往整理的课件或技术报告，介绍了研究组近年来学习和研究的一些比较经典和基础或比较有代表性的推荐方法。本书按照从问题描述，到方法详解、推导，再到实验和讨论等的较为统一的框架介绍大部分方法，这是本书的一大特色。鉴于研究组研究方向和写作时间等的限制，很多优秀的推荐技术和算法尚未被包含进来。书中难免有疏漏之处，恳请读者和专家批评指正。
需要特别说明的是，智能推荐技术的研发和部署，可能会带来一定的负面影响，因此必须在遵守有关法律法规和符合计算机伦理要求等的前提下开展工作。
后，希望本书能起到抛砖引玉的作用，也期待更多有关智能推荐系统和技术的书籍问世。
潘微科林晶明仲深圳大学计算机与软件学院
2021年12月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
