7777kkkk成人观看,精品一区二区三区入口,日日射射

推薦算法及應(yīng)用

定價：¥29.8

中教價：¥29.80 (10.00折）

庫存數(shù)： 0

購買數(shù)量：

本書是一本介紹推薦算法的基礎(chǔ)教材，采用了理論實踐的形式組織內(nèi)容。本書前6章用通俗易懂的方式介紹了經(jīng)典推薦算法(主要包括基于內(nèi)容的推薦算法、基于用戶的協(xié)同過濾推薦算法、基于物品的協(xié)同過濾推薦算法、基于矩陣分解的協(xié)同過濾推薦算法、基于深度學(xué)習(xí)的推薦算法、混合推薦算法，以及推薦算法的評估)。本書后5章的推薦算法案例都是較為完整的推薦系統(tǒng)案例，核心代碼非常精簡，并易于在實際中擴展，可以說是入門級學(xué)習(xí)者的閱讀資料。
本書適合高年級本科生、高校教師、研究生等學(xué)習(xí)，也可作為初入職場的推薦算法工程師的參考書。

高華玲，女，1980.10生于河北唐山，三亞學(xué)院信息與智能工程學(xué)院講師，2004年畢業(yè)于燕山大學(xué)理學(xué)院信息與計算科學(xué)專業(yè)，獲學(xué)士學(xué)位。2011年畢業(yè)于廣西師范大學(xué)計算機科學(xué)與信息工程學(xué)院，獲工學(xué)碩士學(xué)位。主要從事計算機教育、圖像處理、視覺計算、大數(shù)據(jù)可視化、推薦算法等方面的研究。主持三亞市科研項目《智能視頻監(jiān)控技術(shù)的研究與應(yīng)用》，校內(nèi)科研項目《面向旅游領(lǐng)域的語義搜索引擎研究》和《基于信息隱藏的多媒體數(shù)據(jù)傳輸技術(shù)研究》，發(fā)表學(xué)術(shù)論文10余篇，主編教材《C語言程序設(shè)計思想與實踐研究》，參編教材《深度學(xué)習(xí)》、《大學(xué)計算機基礎(chǔ)與實訓(xùn)教程》。

目錄
部分推薦算法理論部分

第1章推薦算法基礎(chǔ)3

1.1推薦算法的定義3

1.2推薦系統(tǒng)發(fā)展簡史4

1.3推薦系統(tǒng)分類6

1.3.1基于內(nèi)容的推薦算法7

1.3.2基于協(xié)同過濾的推薦算法8

1.3.3混合推薦算法10

1.3.4特定推薦算法11

1.4推薦系統(tǒng)與搜索引擎的關(guān)系11

1.5推薦算法的應(yīng)用13

1.5.1新聞的推薦14

1.5.2視頻的推薦15

1.5.3商品的推薦16

1.5.4短視頻的推薦17

1.5.5社交媒體的推薦17

第2章基于內(nèi)容的推薦算法19

2.1TFIDF計算內(nèi)容相似20

2.1.1TFIDF的概念20

2.1.2計算文章相似性21

2.1.3TFIDF算法的實現(xiàn)22

2.2用Word2Vec計算內(nèi)容相似26

2.2.1CBOW OneWord Context模型26

2.2.2CBOW MultiWord Context模型30

2.2.3SkipGram模型31

2.3算法優(yōu)化33

2.3.1分層Softmax33

2.3.2負采樣35

2.3.3對高頻詞進行下采樣36

2.4基于內(nèi)容的推薦算法的過程36

2.4.1內(nèi)容表征36

2.4.2特征學(xué)習(xí)37

2.4.3生成推薦列表38

第3章協(xié)同過濾推薦算法39

3.1基于用戶的協(xié)同過濾推薦算法39

3.1.1基礎(chǔ)算法39

3.1.2用戶相似度計算的改進44

3.1.3UserCF推薦算法的詳細過程45

3.2基于物品的協(xié)同過濾推薦算法48

3.2.1基于用戶的協(xié)同過濾推薦算法和基于物品的協(xié)同過濾推薦算法的區(qū)別48

3.2.2基礎(chǔ)算法50

3.2.3用戶活躍度對物品相似度的影響55

3.2.4物品相似度的歸一化57

3.2.5ItemCF推薦算法的詳細過程57

3.3基于矩陣分解的協(xié)同過濾推薦算法61

3.3.1顯式數(shù)據(jù)和隱式數(shù)據(jù)61

3.3.2顯式矩陣分解62

3.3.3隱式矩陣分解63

3.3.4增量矩陣分解算法65

3.3.5推薦結(jié)果的可解釋性66

第4章基于深度學(xué)習(xí)的推薦算法67

4.1深度學(xué)習(xí)的定義67

4.2基于深度學(xué)習(xí)的推薦68

4.2.1DNN算法68

4.2.2DeepFM算法73

4.2.3基于矩陣分解和圖像特征的推薦75

4.2.4基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦76

4.2.5基于生成式對抗網(wǎng)絡(luò)的推薦77

第5章混合推薦算法80

5.1混合推薦系統(tǒng)概述80

5.1.1混合推薦的意義80

5.1.2混合推薦算法的分類82

5.2推薦系統(tǒng)特征處理方法84

5.2.1特征處理方法84

5.2.2特征選取方法86

5.3常見的預(yù)測模型88

5.3.1基于邏輯回歸的模型88

5.3.2基于支持向量機的模型89

5.3.3基于梯度提升樹的模型90

5.4排序?qū)W習(xí)91

5.4.1基于排序的指標來優(yōu)化91

5.4.2L2R算法的3種情形92

第6章推薦算法的評估95

6.1可解釋性95

6.2算法評價96

6.3研究前景98

第二部分推薦算法應(yīng)用案例
第7章基于內(nèi)容的推薦案例105

7.1數(shù)據(jù)集106

7.2數(shù)據(jù)預(yù)處理106

7.3使用mysql存儲數(shù)據(jù)109

7.4分詞112

7.5基于TFIDF的推薦114

7.6訓(xùn)練詞向量116

7.7基于Word2Vec的推薦119

第8章基于用戶的協(xié)同過濾推薦案例122

8.1導(dǎo)入數(shù)據(jù)122

8.2用戶相似度計算123

8.3物品評分排名124

8.4推薦主函數(shù)126

第9章基于物品的協(xié)同過濾推薦案例127

9.1基本概念127

9.2基于物品的推薦127

第10章基于矩陣分解的推薦案例132

10.1利用梯度下降法對矩陣進行分解132

10.2基于非負矩陣分解的推薦136

第11章基于深度學(xué)習(xí)的推薦案例139

11.1數(shù)據(jù)集139

11.2基于線性模型的簡單案例140

11.3基于文本卷積神經(jīng)網(wǎng)絡(luò)的推薦142

11.3.1數(shù)據(jù)預(yù)處理142

11.3.2模型訓(xùn)練147

11.3.3模型預(yù)測157

11.3.4推薦排序160

11.3.5PyQt5界面開發(fā)165

參考文獻169

xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com