计算机科学丛书统计推荐系统

内容简介

[

本书由LinkedIn公司的技术专家撰写，着眼于推荐系统的核心—统计方法，不仅讲解理论知识，而且分享了作者在LinkedIn和Yahoo!的实践经验。全书分为三部分：部分介绍推荐系统的组成、经典推荐方法及评估方法，并引出了探索与利用问题；第二部分围绕点击通过率（CTR）预估这一重要问题，重点介绍快速在线双线性因子模型和面向回归的隐因子模型，为热门推荐和个性化推荐提供解决方案；第三部分讨论进阶主题，涵盖分解的隐含狄利克雷分布模型、张量分解模型、层次收缩模型以及多目标优化方法。

]

作者简介

[

—作者简介—
迪帕克·K. 阿加瓦尔（Deepak K. Agarwal） LinkedIn公司副总裁，领导人工智能/机器学习团队的研发工作。之前曾任Yahoo!研究院研究主管和首席研究员，以及AT&T公司研究员。20多年来，他致力于为Web应用开发、部署机器学习和统计方法，以及解决推荐系统和计算广告领域的大数据问题。

陈必衷（Bee-Chung Chen） LinkedIn公司首席主任工程师、应用研究员，曾任Yahoo!研究院研究员。作为核心开发者，他为LinkedIn和Yahoo!设计了前沿的推荐算法，此外，他还关注数据挖掘、机器学习和大数据分析技术。

—译者简介—
戴薇 深圳大学计算机与软件学院研究生，主要研究方向为迁移学习、推荐系统和机器学习。—作者简介—
迪帕克·K. 阿加瓦尔（Deepak K. Agarwal） LinkedIn公司副总裁，领导人工智能/机器学习团队的研发工作。之前曾任Yahoo!研究院研究主管和首席研究员，以及AT&T公司研究员。20多年来，他致力于为Web应用开发、部署机器学习和统计方法，以及解决推荐系统和计算广告领域的大数据问题。

陈必衷（Bee-Chung Chen） LinkedIn公司首席主任工程师、应用研究员，曾任Yahoo!研究院研究员。作为核心开发者，他为LinkedIn和Yahoo!设计了前沿的推荐算法，此外，他还关注数据挖掘、机器学习和大数据分析技术。

—译者简介—
戴薇 深圳大学计算机与软件学院研究生，主要研究方向为迁移学习、推荐系统和机器学习。
潘微科 深圳大学计算机与软件学院副教授，主要研究方向为迁移学习和推荐系统。
明仲 深圳大学计算机与软件学院院长、教授，大数据系统计算技术国家工程实验室执行主任，主要研究方向为人工智能、软件工程和推荐系统。

]

目录

出版者的话译者序前言**部分　基础知识第1章　简介21.1　面向网络应用的推荐系统概述31.1.1　算法31.1.2　优化指标51.1.3　探索与利用之间的权衡51.1.4　推荐系统的评估51.1.5　推荐和搜索：推送与拉取61.2　一个简单的评分模型：热门推荐71.3　练习10第2章　经典推荐方法112.1　物品特征112.1.1　分类122.1.2　词袋模型132.1.3　主题建模152.1.4　其他物品特征162.2　用户特征162.2.1　声明的个人信息172.2.2　基于内容的画像172.2.3　其他用户特征182.3　基于特征的方法182.3.1　无监督方法182.3.2　有监督方法192.3.3　上下文信息222.4　协同过滤222.4.1　基于用户-用户相似度的方法232.4.2　基于物品-物品相似度的方法242.4.3　矩阵分解242.5　混合方法272.6　小结282.7　练习28第3章　面向推荐问题的探索与利用293.1　探索与利用之间的权衡简介303.2　多臂赌博机问题313.2.1　贝叶斯方法313.2.2　极小化极大方法343.2.3　启发式赌博方案353.2.4　方法评价363.3　推荐系统中的探索与利用363.3.1　热门推荐363.3.2　个性化推荐363.3.3　数据稀疏性的挑战373.4　处理数据稀疏性的探索与利用373.4.1　降维方法373.4.2　降维中的探索与利用393.4.3　在线模型393.5　小结403.6　练习40第4章　评估方法414.1　传统的离线评估方法414.1.1　数据划分方法424.1.2　准确度指标444.1.3　排序指标454.2　在线分桶测试494.2.1　设置分桶测试494.2.2　在线性能指标504.2.3　测试结果分析514.3　离线模拟524.4　离线回放544.4.1　基本回放估计554.4.2　回放的扩展574.5　小结584.6　练习58第二部分　常见问题设置第5章　问题设置与系统架构605.1　问题设置605.1.1　常见的推荐模块605.1.2　应用设置635.1.3　常见的统计方法655.2　系统架构665.2.1　主要组件665.2.2　示例系统67第6章　热门推荐696.1　应用案例：雅虎“今日”模块696.2　问题定义716.3　贝叶斯方案726.3.1　2×2案例：两件物品，两个间隔736.3.2　K×2案例：K件物品，两个间隔756.3.3　一般解776.4　非贝叶斯方案796.5　实验评估816.5.1　比较分析816.5.2　方案刻画836.5.3　分段分析856.5.4　桶测试结果866.6　大规模内容池876.7　小结876.8　练习88第7章　基于特征回归的个性化897.1　快速在线双线性因子模型907.1.1　FOBFM概述907.1.2　FOBFM详解917.2　离线训练937.2.1　EM算法947.2.2　E步骤957.2.3　M步骤967.2.4　可扩展性977.3　在线学习977.3.1　在线高斯模型977.3.2　在线逻辑模型987.3.3　探索与利用方案997.3.4　在线模型选择997.4　雅虎数据集上的效果展示1007.4.1　My Yahoo!数据集1017.4.2　雅虎首页数据集1037.4.3　不包含离线双线性项的FOBFM1057.5　小结1057.6　练习106第8章　基于因子模型的个性化1078.1　面向回归的隐因子模型1078.1.1　从矩阵分解到RLFM1088.1.2　模型详解1098.1.3　RLFM的随机过程1128.2　拟合算法1138.2.1　适用于高斯响应的EM算法1148.2.2　适用于逻辑响应的基于ARS的EM算法1188.2.3　适用于逻辑响应的变分EM算法1218.3　冷启动效果展示1248.4　时间敏感物品的大规模推荐1278.4.1　在线学习1278.4.2　并行拟合算法1288.5　大规模问题效果展示1308.5.1　 MovieLens-1M数据1318.5.2　小规模雅虎首页数据1328.5.3　大规模雅虎首页数据1348.5.4　结果讨论1378.6　小结1388.7　练习138第三部分　进阶主题第9章　基于隐含狄利克雷分布的分解1409.1　简介1409.2　模型1419.2.1　模型概述1419.2.2　模型详解1429.3　训练和预测1459.3.1　模型拟合1459.3.2　预测1509.4　实验1509.4.1　MovieLens数据1509.4.2　Yahoo! Buzz应用1519.4.3　BookCrossing数据集1539.5　相关工作1549.6　小结155第10章　上下文相关推荐15610.1　张量分解模型15710.1.1　建模15710.1.2　模型拟合15810.1.3　讨论15910.2　层次收缩模型16010.2.1　建模16010.2.2　模型拟合16110.2.3　局部增强张量模型16410.3　多角度新闻文章推荐16510.3.1　探索性数据分析16610.3.2　实验评估17110.4　相关物品推荐17610.4.1　语义相关性17710.4.2　响应预测17710.4.3　预测响应和预测相关性的结合17810.5　小结178第11章　多目标优化17911.1　应用设置17911.2　分段方法18011.2.1　问题设置18011.2.2　目标优化18111.3　个性化方法18311.3.1　原始表示18411.3.2　拉格朗日对偶18511.4　近似方法18811.4.1　聚类18811.4.2　采样18911.5　实验18911.5.1　实验设置19011.5.2　实验结果19111.6　相关工作19711.7　小结198参考文献199索引205

封面

书名:计算机科学丛书统计推荐系统

作者:[美] 迪帕克·K. 阿加瓦尔（Deep

页数:220

定价:¥89.0

出版社:机械工业出版社

出版日期:2018-03-01

ISBN:9787111635734

PDF电子书大小:133MB 高清扫描完整版