Статистическая система рекомендаций
Цена: 1 153руб. (¥64.1)
Артикул: 604899956523
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥11.38205руб.
¥39.8716руб.
¥ 21.58 20.6371руб.
¥26468руб.
......
Переводчик
Предисловие
*Часть Базовые знания
Глава 1 Введение 2
1.1 Обзор системы рекомендаций для сетевых приложений 3.
1.1.1 Алгоритм 3
1.1.2 Индикатор оптимизации 5
1.1.3 Взвешивание между разведкой и использованием 5
1.1.4 Оценка рекомендуемой системы 5
1.1.5 Рекомендуется и поиск: нажмите и тянет 6
1.2 Простая модель оценки: популярная рекомендация 7
1.3 Практика 10
Глава 2 Классический Рекомендованный метод 11
2.1 Элемент функция 11
2.1.1 Классификация 12
2.1.2 CI Bag Model 13
2.1.3 Моделирование темы 15
2.1.4 Другие характеристики пункта 16
2.2 Пользовательские функции 16
2.2.1 Личная информация объявлена 17
2.2.2. Портрет на основе контента 17
2.2.3 Другие характеристики пользователя 18
2.3 Функция -основанного метода 18
2.3.1 Неконтролируемый метод 18
2.3.2 Метод надзора 19
2.3.3 Информация о контексте 22
2.4 Совместный фильтр 22
2.4.1 Метод на основе сходства пользователя пользователя 23
2.4.2 Методы, основанные на сходстве элементов 24
2.4.3 Матричное разложение 24
2.5 Смешанный метод 27
2.6 Резюме 28
2.7 Упражнение 28
Глава 3 Разведка и использование рекомендуемых вопросов 29
3.1 Введение в взвешивание между разведкой и использованием 30
3.2 Multi -Arm Gambling Machine Проблема 31
3.2.1 Байесовский метод 31
3.2.2 Чрезвычайно маленький метод 34
3.2.3 План азартных игр Просвещения 35
3.2.4 Оценка метода 36
3.3 Разведка и использование в рекомендуемой системе 36
3.3.1 Популярная рекомендация 36
3.3.2 Персонализированная рекомендация 36
3.3.3 Задача доставки данных 37
3.4 Разведка и использование редкости данных 37
3.4.1. Умный метод 37
3.4.2 Разведка и использование в сокращении измерений 39
3.4.3 Онлайн -модель 39
3.5 Резюме 40
3.6 Упражнение 40
Глава 4 Метод оценки 41
4.1 Традиционный метод оценки 41
4.1.1 Метод разделения данных 42
4.1.2 Индикатор точности 44
4.1.3 Индекс сортировки 45
4.2 Онлайн -тест ствола 49
4.2.1 Установите тест ствола 49
4.2.2 Индикаторы производительности онлайн 50
4.2.3 Анализ результатов теста 51
4.3 Оффлайн моделирование 52
4.4 Оффлайн назад 54
4.4.1 Оценка базового выпуска 55
4.4.2 Расширение игры 57
4.5 Резюме 58
4.6 Упражнение 58
Вторая часть общей настройки проблемы
Глава 5 Настройки вопросов и архитектура системы 60
5.1 Настройки вопросов 60
5.1.1 Общий рекомендуемый модуль 60
5.1.2 Настройки приложения 63
5.1.3 Общие статистические методы 65
5.2 Системная архитектура 66
5.2.1 Основной компонент 66
5.2.2 Пример системы 67
Глава 6 Популярная рекомендованная 69
6.1. Приложение: Yahoo“ сегодня”
6.2 Определение проблемы 71
6.3 Байесовская схема 72
6.3.1 2&Времена 2 случая: два пункта, два интервала 73
6.3.2 K K.&Раз;
6.3.3 Общее решение 77
6.4 НЕ -БАЙЕСАНСКАЯ СЕММА 79
6.5 Экспериментальная оценка 81
6.5.1 Сравнительный анализ 81
6.5.2 План изображена 83
6.5.3 Анализ секции 85
6.5.4 Результаты испытаний ствола 86
6.6 Большой бассейн контента 87
6.7 Резюме 87
6.8 Упражнение 88
Глава 7 Персонализация на основе регрессии функций 89
7.1 Быстрый онлайн -двойной линейный факт модель 90
7.1.1 FOBFM Обзор 90
7.1.2 FOBFM Подробное объяснение 91
7.2 ОФИНАЛА ОБУЧЕНИЯ 93
7.2.1 EM -алгоритм 94
7.2.2 E Шаг 95
7,2,3 м Шаг 96
7.2.4 Масштабируемость 97
7.3 онлайн -обучение 97
7.3.1 Онлайн Гаусс Модель 97
7.3.2 Модель онлайн -логики 98
7.3.3 План разведки и использования 99
7.3.4 Выбор модели онлайн 99
7.4 Влияние на набор данных Yahoo 100 100
7.4.1 My Yahoo! Набор данных 101
7.4.2 Набор данных на домашней странице Yahoo 103
7.4.3 FOBFM105 не включает в себя автономные двойные элементы
7.5 Резюме 105
7.6 Упражнение 106
Глава 8 Персонализация на основе факторной модели 107
8.1 Столкнувшись с скрытым фактором модели 107
8.1.1 разложение от матрицы до RLFM108
8.1.2 Подробное объяснение модели 109
8.1.3 Случайный процесс RLFM 112
8.2 Алгоритм экзамена 113
8.2.1 EM -алгоритм для ответа Гаусса 114
8.2.2 Применимо к алгоритму EM на основе ARS для логического ответа
8.2.3 Подходит для изменения логического ответа Алгоритм EM 121
8.3 Hold Later Effect Display 124
8.4 Крупная рекомендация чувствительных предметов 127
8.4.1 онлайн -обучение 127
8.4.2 Алгоритм параллельной подгонки 128
8.5.
8.5.1 Movielens-1M Данные 131
8.5.2 Маленькая масштабная домашняя страница Yahoo 132
8.5.3 большие данные на домашней странице Yahoo 134
8.5.4 Обсуждение результатов 137
8.6 Резюме 138
8.7 Упражнение 138
Третья часть передовой темы
Глава 9 разместить распределение дисплея 140
9.1 Введение 140
9.2 Модель 141
9.2.1 Обзор модели 141
9.2.2 Подробное объяснение модели 142
9.3 Обучение и прогноз 145
9.3.1 Модель подходит 145
9.3.2 Прогноз 150
9.4 Эксперимент 150
9.4.1 Данные Movielens 150
9.4.2 Yahoo! Приложение 151
9.4.3 Набор данных Bookcrossing 153
9.5 Связанная работа 154
9.6 Резюме 155
Глава 10 Рекомендация, связанная с контекстом 156
10.1 Модель 157 разложения тензора 157
10.1.1 Моделирование 157
10.1.2 Модель подходит 158
10.1.3 Обсуждение 159
10.2 Модель сжимания отверстий 160
10.2.1 Моделирование 160
10.2.2 Модель Fit 161
10.2.3 Local Enhanced Tensor Model 164
10.3 Многоугольная новостная статья Рекомендация 165
10.3.1 Анализ данных Explorest 166
10.3.2 Экспериментальная оценка 171
10.4 Рекомендуемые предметы 176
10.4.1 Семантическая корреляция 177
10.4.2 Прогноз ответа 177
10.4.3 Комбинация реакции и прогнозирования прогнозирования 178
10.5 Резюме 178
Глава 11 Многоцелевая оптимизация 179
11.1 Настройки приложения 179
11.2 Метод субботности 180
11.2.1 Настройки вопросов 180
11.2.2 Оптимизация целей 181
11.3 персонализированный метод 183
11.3.1 Оригинальное представление 184
11.3.2 Laglangine Pattasting 185
11.4 Метод приближения 188
11.4.1 кластер 188
11.4.2 Образец 189
11.5 Эксперимент 189
11.5.1 Настройки эксперимента 190
11.5.2 Экспериментальные результаты 191
11.6 Связанная работа 197
11.7 Сводка 198
Рекомендации 199
Индекс 205
..................---Об авторе---Диппак&Миддот;Раньше он был директором исследования и главным исследователем исследовательского института Yahoo!&T Компания Исследователь.В течение более 20 лет он стремится к разработке, развертыванию машинного обучения и статистическим методам для веб -приложений, а также в решении проблем с большими данными в области рекомендательных систем и вычислительной рекламы.
Bee-Chung Chen).Будучи основным разработчиком, он разработал алгоритмы рекомендаций режущихся для LinkedIn и Yahoo!.
--- Введение переводчика ---
Дай Вей имеет аспиранты в Школе компьютера и программного обеспечения Университета Шэньчжэнь.
Доцент Pan Weike Акцензии Школы компьютера и программного обеспечения Университета Шэньчжэнь, основным направлением исследований является миграционная система обучения и рекомендации.
Декан и профессор Школы компьютера и программного обеспечения Университета Шэньчжэнь Университета Минчжонга Шэньчжэнь, а также исполнительный директор Национальной инженерной лаборатории Национальной инженерной лаборатории технологий больших данных. Инженерная и рекомендательная система.