简介
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。
编辑推荐
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。
更多出版物信息
- 版权: 清华大学出版社
- 出版: 2022-07-01
- 更新: 2023-06-19
- 书号:9787302600107
- 中图:G254.928
- 学科:教育学管理学信息资源管理文学新闻传播学