- 三门峡 [切换城市]
-
热线电话：0571-85856962
-
| 商品基本信息,请以下列介绍为准 | |
| 商品名称： | 推荐系统 |
| 作者： | (美)弗朗西斯科·里奇(Francesco Ricci) 等 编；李艳民 等 译 著[译者]李艳民//胡聪//吴宾//王雪丽//丁彬钊 译 |
| 译者： | 李艳民//胡聪//吴宾//王雪丽//丁彬钊 |
| 市场价： | 139 |
| ISBN号： | 9787111503934 |
| 出版社： | 机械工业出版社 |
| 商品类型： | 图书 |
| 其他参考信息（以实物为准） | ||
| 装帧：平装 | 开本：16开 | 语种：中文 |
| 出版时间：(咨询特价)-01 | 版次：1 | 页数：561 |
| 印刷时间：(咨询特价)-01 | 印次：1 | 字数： |
| 目录 | |
| 出版者的话 推荐序一 推荐序二 译者序 前言 第1章概述1 1.1简介1 1.2推荐系统的功能3 1.3数据和知识资源5 1.4推荐技术7 1.5应用与评价10 1.6推荐系统与人机交互12 1.6.1信任、解释和说服力13 1.6.2会话系统13 1.6.3可视化14 1.7推荐系统是个交叉学科领域15 1.8出现的问题和挑战16 1.8.1本书对出现的问题的讨论16 1.8.2挑战18 参考文献20 第YI部分基础技术 第2章推荐系统中的数据挖掘方法28 2.1简介28 2.2数据预处理29 2.2.1相似度度量方法29 2.2.2抽样30 2.2.3降维31 2.2.4去噪33 2.3分类34 2.3.1ZUI近邻34 2.3.2决策树35 2.3.3基于规则的分类36 2.3.4贝叶斯分类器36 2.3.5人工神经网络38 2.3.6支持向量机39 2.3.7分类器的集成40 2.3.8评估分类器41 2.4聚类分析42 2.4.1k-means43 2.4.2改进的k-means44 2.5关联规则挖掘44 2.6总结46 致谢47 参考文献47 第3章基于内容的推荐系统：前沿和趋势51 3.1简介51 3.2基于内容的推荐系统的基础52 3.2.1基于内容的推荐系统的高层次结构52 3.2.2基于内容过滤的优缺点54 3.3基于内容的推荐系统的现状55 3.3.1物品表示56 3.3.2学习用户特征的方法62 3.4趋势和未来研究65 3.4.1推荐过程中用户产生内容的作用65 3.4.2超越特化：惊喜度66 3.5总结68 参考文献68 第4章基于近邻推荐方法综述74 4.1简介74 4.1.1问题公式化定义75 4.1.2推荐方法概要76 4.1.3基于近邻方法的优势77 4.1.4目标和概要78 4.2基于近邻推荐78 4.2.1基于用户评分79 4.2.2基于用户分类80 4.2.3回归与分类80 4.2.4基于物品推荐81 4.2.5基于用户和基于物品推荐的对比81 4.3近邻方法的要素83 4.3.1评分标准化83 4.3.2相似度权重计算85 4.3.3近邻的选择89 4.4高级进阶技术90 4.4.1降维方法90 4.4.2基于图方法92 4.5总结95 参考文献96 第5章协同过滤算法的高级课题1005.1 简介100 5.2预备知识101 5.2.1基准预测102 5.2.2Netflix数据103 5.2.3隐式反馈103 5.3因子分解模型104 5.3.1SVD104 5.3.2SVD++105 5.3.3时间敏感的因子模型106 5.3.4比较111 5.3.5总结112 5.4基于邻域的模型112 5.4.1相似度度量113 5.4.2基于相似度的插值113 5.4.3联合派生插值权重115 5.4.4总结117 5.5增强的基于邻域的模型117 5.5.1全局化的邻域模型118 5.5.2因式分解的邻域模型122 5.5.3基于邻域的模型的动态时序126 5.5.4总结127 5.6基于邻域的模型和因子分解模型的比较127 参考文献129 第6章开发基于约束的推荐系统131 6.1简介131 6.2推荐知识库的开发133 6.3推荐过程中的用户导向137 6.4计算推荐结果142 6.5项目和案例研究的经验143 6.6未来的研究方法144 6.7总结147 参考文献147 第7章情境感知推荐系统151 7.1简介151 7.2推荐系统中的情境152 7.2.1什么是情境152 7.2.2在推荐系统实现情境信息的建模155 7.2.3获取情境信息158 7.3结合情境的推荐系统形式159 7.3.1情境预过滤161 7.3.2情境后过滤163 7.3.3情境建模164 7.4多种方法结合167 7.4.1组合预过滤器案例研究：算法168 7.4.2组合预过滤器案例研究：实验结果168 7.5情境感知推荐系统的其他问题170 7.6总结171 致谢171 参考文献172 第二部分推荐系统的应用与评估 第8章推荐系统评估176 8.1简介176 8.2实验设置177 8.2.1离线实验178 8.2.2用户调查180 8.2.3在线评估182 8.2.4得出可靠结论182 8.3推荐系统属性185 8.3.1用户偏好185 8.3.2预测准确度186 8.3.3覆盖率191 8.3.4置信度192 8.3.5信任度193 8.3.6新颖度194 8.3.7惊喜度195 8.3.8多样性195 8.3.9效用196 8.3.10风险197 8.3.11健壮性197 8.3.12隐私198 8.3.13适应性198 8.3.14可扩展性199 8.4总结199 参考文献199 第9章IPTV服务提供商推荐系统：一个大规模真实产品环境的应用2039.1简介203 9.2IPTV架构204 9.3推荐系统架构206 9.3.1数据搜集206 9.3.2批处理和实时阶段207 9.4推荐算法208 9.4.1推荐算法概述209 9.4.2基于内容隐语义分析算法210 9.4.3基于物品的协同过滤算法213 9.4.4基于降维的协同过滤算法214 9.5推荐服务215 9.6系统评价216 9.6.1离线分析218 9.6.2在线分析220 9.7总结223 参考文献223 第10章走出实验室的推荐系统225 10.1简介225 10.2设计现实环境中的推荐系统225 10.3理解推荐系统的环境226 10.3.1应用模型226 10.3.2用户建模230 10.3.3数据模型233 10.3.4一个使用环境模型的方法235 10.4在迭代设计过程中理解推荐验证步骤236 10.4.1算法的验证236 10.4.2推荐结果的验证237 10.5应用实例：一个语义新闻推荐系统240 10.5.1背景：MESH工程240 10.5.2MESH的环境模型240 10.5.3实践：模型的迭代实例化243 10.6总结244 参考文献244 第11章匹配推荐系统的技术与领域247 11.1简介247 11.2相关工作247 11.3知识源248 11.4领域250 11.4.1异构性250 11.4.2风险性251 11.4.3变动性251 11.4.4交互风格251 11.4.5偏好稳定性251 11.4.6可理解性252 11.5知识源252 11.5.1社群知识252 11.5.2个人知识253 11.5.3基于内容的知识253 11.6从领域到技术254 11.6.1算法255 11.6.2抽样推荐领域256 11.7总结257 致谢257 参考文献257 第12章用于技术强化学习的推荐系统261 12.1简介261 12.2背景262 12.2.1TEL作为上下文262 12.2.2TEL推荐的目标263 12.3相关工作264 12.3.1自适应教育超媒体264 12.3.2学习网络265 12.3.3相同点与不同点267 12.4TEL推荐系统调查268 12.5TEL推荐系统的评估271 12.5.1对组件的评估272 12.5.2评估TEL推荐系统时需要考虑的问题273 12.6总结与展望274 致谢274 参考文献275 第三部分推荐系统的影响 第13章基于评价推荐系统的进展282 13.1简介282 13.2早期：评价系统/已得益处282 13.3评价系统的表述与检索挑战283 13.3.1评价表述的方式283 13.3.2基于评价的推荐系统中的检索挑战289 13.4评价平台中的交互研究293 13.4.1扩展到其他评价平台294 13.4.2用户直接操作与xx用户控制的比较295 13.4.3支持性解释、置信和信任296 13.4.4可视化、自适应性和分区动态性297 13.4.5关于多文化的适用性的差异298 13.5评价的评估：资源、方法和标准298 13.5.1资源和方法298 13.5.2评估 ...... |
| 内容简介 | |
| 本书汇聚不同领域专家学者的理论成果和实践经验，全面介绍推荐系统的主要概念、理论、趋势、挑战和应用，详细阐释如何支持用户决策、计划和购买过程。书中既详细讲解了经典方法，又介绍了一些新研究成果，内容涵盖人工智能、人机交互、信息技术、数据挖掘、统计学、自适应用户界面、决策支持系统、市场和客户行为等领域，无论是从事技术开发，还是从事产品营销的读者，都能从中受益。 本书可分成五部分，共25章。第1章是概述，系统介绍推荐系统的概念、功能、应用领域以及当前应用过程中遇到的问题与挑战。**部分(第2~7章)介绍当前构建推荐系统*普遍使用的技术，如协同过滤、基于内容的数据挖掘方法、上下文相关的方法等。第二部分(第8~12章)概述已用于评价推荐质量的技术和方法，涉及推荐系统设计与实践方面，描述设计和实施推荐系统的注意事项，为选择更合适的算法提供准则，以及评估用于开发推荐系统的方法、挑战和评测指标。第三部分(第13~17章)讨论推荐系统如何呈现、浏览、解释和可视化等若干问题，这一部分讨论的技术使推荐过程更加结构化以及具有可交互性。第四部分(第18~21章)讨论利用各类用户生成内容(UGC，如标签、搜索查询、信任评价等)产生类型新颖且更可信的推荐结果。第五部分(第22~25章)讨论推荐系统的高级课题，如探索用主动学习的原则来指导获取新知识；防止推荐系统受恶意用户攻击的合适技术；如何整合多种类型的用户反馈和用户偏好信息来构造更可靠的推荐系统。 |
| 作者简介 | |
| 弗朗西斯科·里奇，意大利博尔扎诺自由大学计算机科学副教授。目前他的研究兴趣包括推荐系统、智能接口、移动系统、机器学习、案例推理、信息和通信技术在旅游中的应用。他是《Journal of Information Technology and Tourism》杂志的编委，还是ACMIIEEE会员。他还是ACM会议推荐系统分会的指导委员会成员。 |
浙公网安备 33011002014640号 浙ICP备11030581号-3 