图书介绍

推荐系统实践PDF|Epub|txt|kindle电子书版本网盘下载

推荐系统实践
  • 项亮编著；陈义，王益审校 著
  • 出版社： 北京：人民邮电出版社
  • ISBN：9787115281586
  • 出版时间：2012
  • 标注页数：197页
  • 文件大小：41MB
  • 文件页数：215页
  • 主题词：计算机网络

PDF下载


点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢]  [在线试读本书]   [在线获取解压码]
点击复制MD5值：9be6ba837a181ec39e11f94bd1d5af25

下载说明

推荐系统实践PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载  详情点击-查看共享计划
建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

图书目录

第1章 好的推荐系统1

1.1 什么是推荐系统1

1.2 个性化推荐系统的应用4

1.2.1 电子商务4

1.2.2 电影和视频网站8

1.2.3 个性化音乐网络电台10

1.2.4 社交网络12

1.2.5 个性化阅读15

1.2.6 基于位置的服务16

1.2.7 个性化邮件17

1.2.8 个性化广告18

1.3 推荐系统评测19

1.3.1 推荐系统实验方法20

1.3.2 评测指标23

1.3.3 评测维度34

第2章 利用用户行为数据35

2.1 用户行为数据简介36

2.2 用户行为分析39

2.2.1 用户活跃度和物品流行度的分布39

2.2.2 用户活跃度和物品流行度的关系41

2.3 实验设计和算法评测41

2.3.1 数据集42

2.3.2 实验设计42

2.3.3 评测指标42

2.4 基于邻域的算法44

2.4.1 基于用户的协同过滤算法44

2.4.2 基于物品的协同过滤算法51

2.4.3 UserCF和ItemCF的综合比较59

2.5 隐语义模型64

2.5.1 基础算法64

2.5.2 基于LFM的实际系统的例子70

2.5.3 LFM和基于邻域的方法的比较72

2.6 基于图的模型73

2.6.1 用户行为数据的二分图表示73

2.6.2 基于图的推荐算法73

第3章 推荐系统冷启动问题78

3.1 冷启动问题简介78

3.2 利用用户注册信息79

3.3 选择合适的物品启动用户的兴趣85

3.4 利用物品的内容信息89

3.5 发挥专家的作用94

第4章 利用用户标签数据96

4.1 UGC标签系统的代表应用97

4.1.1 Delicious97

4.1.2 CiteULike98

4.1.3 Last.fm98

4.1.4 豆瓣99

4.1.5 Hulu99

4.2 标签系统中的推荐问题100

4.2.1 用户为什么进行标注100

4.2.2 用户如何打标签101

4.2.3 用户打什么样的标签102

4.3 基于标签的推荐系统103

4.3.1 实验设置104

4.3.2 一个最简单的算法105

4.3.3 算法的改进107

4.3.4 基于图的推荐算法110

4.3.5 基于标签的推荐解释112

4.4 给用户推荐标签115

4.4.1 为什么要给用户推荐标签115

4.4.2 如何给用户推荐标签115

4.4.3 实验设置116

4.4.4 基于图的标签推荐算法119

4.5 扩展阅读119

第5章 利用上下文信息121

5.1 时间上下文信息122

5.1.1 时间效应简介122

5.1.2 时间效应举例123

5.1.3 系统时间特性的分析125

5.1.4 推荐系统的实时性127

5.1.5 推荐算法的时间多样性128

5.1.6 时间上下文推荐算法130

5.1.7 时间段图模型134

5.1.8 离线实验136

5.2 地点上下文信息139

5.3 扩展阅读143

第6章 利用社交网络数据144

6.1 获取社交网络数据的途径144

6.1.1 电子邮件145

6.1.2 用户注册信息146

6.1.3 用户的位置数据146

6.1.4 论坛和讨论组146

6.1.5 即时聊天工具147

6.1.6 社交网站147

6.2 社交网络数据简介148

社交网络数据中的长尾分布149

6.3 基于社交网络的推荐150

6.3.1 基于邻域的社会化推荐算法151

6.3.2 基于图的社会化推荐算法152

6.3.3 实际系统中的社会化推荐算法153

6.3.4 社会化推荐系统和协同过滤推荐系统155

6.3.5 信息流推荐156

6.4 给用户推荐好友159

6.4.1 基于内容的匹配161

6.4.2 基于共同兴趣的好友推荐161

6.4.3 基于社交网络图的好友推荐161

6.4.4 基于用户调查的好友推荐算法对比164

6.5 扩展阅读165

第7章 推荐系统实例166

7.1 外围架构166

7.2 推荐系统架构167

7.3 推荐引擎的架构171

7.3.1 生成用户特征向量172

7.3.2 特征-物品相关推荐173

7.3.3 过滤模块174

7.3.4 排名模块174

7.4 扩展阅读178

第8章 评分预测问题179

8.1 离线实验方法180

8.2 评分预测算法180

8.2.1 平均值180

8.2.2 基于邻域的方法184

8.2.3 隐语义模型与矩阵分解模型186

8.2.4 加入时间信息192

8.2.5 模型融合193

8.2.6 Netnix Prize的相关实验结果195

后记196

热门推荐