婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柛娑橈攻閸欏繘鏌i幋锝嗩棄闁哄绶氶弻鐔兼⒒鐎靛壊妲紒鎯у⒔缁垳鎹㈠☉銏犵闁绘垵妫涢崝顖氣攽閻愭潙鐏﹂柣鐕傜畵瀹曟洟鎮㈤崗鑲╁帾婵犵數鍋涢悘婵嬪礉濮樿埖鐓熼幖鎼枛瀵喗鎱ㄦ繝鍐┿仢鐎规洘顨婇幊鏍煘閸喕娌梻鍌欑閹碱偊骞婅箛鏇炲灊鐎光偓閸曨剙浠奸梺缁樺灱濡嫰鎷戦悢鍏肩厪濠㈣埖绋撻悾閬嶆煃瑜滈崜娑㈠极婵犳艾钃熼柕濞垮劗閺€浠嬫煕閳╁啩绶遍柍褜鍓氶〃濠囧蓟閿涘嫧鍋撻敐搴′簽闁靛棙甯炵槐鎺撴綇閵娿儲璇為梺绯曟杹閸嬫挸顪冮妶鍡楃瑨閻庢凹鍓涙竟鏇㈠礂閸忕厧寮垮┑鈽嗗灠閻忔繃绂嶈ぐ鎺撶厱闁绘劕鐏氶弳顒勬煛瀹€瀣М闁诡喒鏅犻幃婊兾熺化鏇炰壕闁告劦鍠楅崑锝夋煃瑜滈崜鐔煎极閸愵喖鐒垫い鎺嗗亾鐎规挸瀚板娲川婵犲嫧妲堥柡瀣典簻闇夋繝濠傚閻帡鏌$仦璇插鐎殿喗娼欒灃闁逞屽墯缁傚秵銈i崘鈺佲偓鍨箾閸繄浠㈤柡瀣☉椤儻顦查梺甯秮閻涱噣骞嬮敃鈧~鍛存煟濮楀棗浜濋柡鍌楀亾闂備浇顕ч崙鐣岀礊閸℃ḿ顩查悹鐑樏紓姘攽閻樺弶澶勯柍閿嬪灩缁辨挻鎷呴崗澶嬶紙濡炪倕绻愮€氱兘宕甸弴銏″仯闁惧繗顫夌壕顏堟煙閻戞﹩娈旂紒鐘崇洴閺岋絽螖閳ь剟鎮ч崘顔肩婵炲樊浜濋埛鎺楁煕鐏炵偓鐨戝褎绋撶槐鎺斺偓锝庡亜濞搭喗顨ラ悙瀵稿⒌妤犵偛娲、姗€鎮╁▓鍨櫗闂佽娴烽幊鎾寸珶婵犲洤绐楅柡宥庡幘瀹撲線鏌″搴″箺闁绘挾鍠栭弻銊モ攽閸℃ê娅e┑陇灏欑划顖炲Φ閸曨垼鏁冮柨婵嗘川閻eジ姊洪崷顓熷殌閻庢矮鍗抽獮鏍亹閹烘挸浠梺鍝勵槼濞夋洟顢欓崶顒佲拻闁稿本鑹鹃埀顒勵棑濞嗐垹顫濈捄铏瑰姦濡炪倖甯掗崐鍛婄濠婂牊鐓犳繛鑼额嚙閻忥繝鏌¢崨鏉跨厫閻庝絻鍋愰埀顒佺⊕宀e潡宕㈤悙顑跨箚闁靛牆绻掗悾铏箾婢跺绀堥柤娲憾瀹曠ǹ螖娴e搫甯鹃梻浣规偠閸庮垶宕濈仦鐐弿鐎广儱妫▓浠嬫煟閹邦厽缍戞繛鎼枟椤ㄣ儵鎮欏顔煎壎闂佽鍠楃划鎾崇暦閸楃儐娼ㄩ柛鈩冿公缁辨瑩姊婚崒姘偓鎼佸磹閹间礁纾瑰瀣捣閻棗銆掑锝呬壕濡ょ姷鍋為悧鐘汇€侀弴姘辩Т闂佹悶鍎洪崜锕傚极瀹ュ鐓熼柟閭﹀幗缂嶆垿鏌嶈閸撴繈宕洪弽顐e床婵犻潧顑嗛ˉ鍫熺箾閹寸偠澹樻い锝呮惈椤啴濡堕崘銊ュ閻庡厜鍋撻柟闂寸閽冪喐绻涢幋鏃€鍣伴柍褜鍓ㄧ粻鎾荤嵁鐎n亖鏀介柛銉㈡櫃缁喖鈹戦悩娈挎毌闁告挻绻嗛妵鎰板礃椤旇棄浜遍梺瑙勫礃椤曆囨嫅閻斿吋鐓ラ柣鏂挎惈瀛濈紓浣插亾闁告劦鍠楅悡鍐煕濠靛棗顏╅柍褜鍓氶幃鍌氼嚕閸愬弬鏃堝川椤旇瀚煎┑鐐存綑閸氬鎮疯缁棃顢楅埀顒勬箒濠电姴锕ゆ鍛婃櫠閻楀牅绻嗛柛娆忣槸婵秵顨ラ悙鏉戠瑨閾绘牠鏌嶈閸撴岸宕曢锔界厽闁绘柨鎽滈惌濠囨⒑鐢喚鍒版い鏇秮楠炲酣鎸婃径灞藉箰闂備礁鎲¢崝锔界閻愮儤鏅繝濠傜墛閻撴稑顭跨捄鐚村姛濠⒀勫灴閺屾盯寮捄銊愌囨寠閻斿吋鐓曟い鎰Т閸旀粓鏌i幘瀵糕槈闂囧鏌ㄥ┑鍡欏⒈婵炲吋鍔楅埀顒冾潐濞叉牠鎯岄崒鐐茶摕闁斥晛鍟刊鎾偡濞嗗繐顏╃痪鐐▕濮婄儤娼幍顔煎闂佸湱鎳撳ú顓烆嚕椤愶箑绠荤紓浣股戝▍銏ゆ⒑鐠恒劌娅愰柟鍑ゆ嫹 [闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧湱鈧懓瀚崳纾嬨亹閹烘垹鍊炲銈嗗笂缁€渚€宕滈鐑嗘富闁靛牆妫楁慨褏绱掗悩鍐茬伌闁绘侗鍣f慨鈧柕鍫濇閸樻捇鏌℃径灞戒沪濠㈢懓妫濆畷婵嗩吋閸℃劒绨婚梺鍝勫€搁悘婵嬵敂椤愩倗纾奸弶鍫涘妽瀹曞瞼鈧娲樼敮鎺楋綖濠靛鏁勯柦妯侯槷婢规洟姊洪崨濠勭細闁稿孩濞婇幆灞解枎閹惧鍘遍梺鍝勬储閸斿矂鎮橀悩鐢电<闁绘瑢鍋撻柛銊ョ埣瀵濡搁埡鍌氫簽闂佺ǹ鏈粙鎴︻敂閿燂拷 | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌i幋锝呅撻柛銈呭閺屻倝宕妷锔芥瘎婵炲濮靛銊ф閹捐纾兼繛鍡樺笒閸橈紕绱撴笟鍥ф珮闁搞劏娉涢悾宄扳攽閸狀喗妫冨畷姗€濡搁妷褌鍠婇梻鍌欑閹碱偊宕锔藉亱濠电姴娲ょ壕鐟扳攽閻樺磭顣查柣鎾卞灪娣囧﹪顢涘▎鎺濆妳濠碘€冲级閹倿寮婚敐鍡樺劅妞ゆ梻鍘х猾宥呪攽椤旂》榫氭繛鍜冪悼閸掓帒鈻庨幘宕囶唶闁瑰吋鐣崹铏光偓姘▕濮婄粯鎷呴搹骞库偓濠囨煛閸涱喚娲寸€规洦鍨跺鍫曞箣椤撶偞顓块梻浣哥秺濡法绮堟笟鈧畷姗€鍩€椤掆偓椤啴濡堕崱妯烘殫闂佸摜濮甸幑鍥х暦閵忋値鏁傞柛娑卞灣閻﹀牓姊哄Ч鍥х伈婵炰匠鍕浄婵犲﹤鐗婇悡鐔肩叓閸ャ劍鈷掔紒鐘靛仧閳ь剝顫夊ú妯兼崲閸岀儑缍栨繝闈涱儐閸ゅ鏌i姀銈嗘锭妤犵偞鍔欏缁樻媴閸涢潧缍婂鐢割敆閸曗斁鍋撻崘顔煎窛妞ゆ梻铏庡ú鎼佹⒑鐠恒劌娅愰柟鍑ゆ嫹]

    • 推荐系统(第2版普通高等教育人工智能与大数据系列教材中国机械工业教育协会十四五普通高等教育规划教材)
      • 作者:编者:刘宏志//吴中海|责编:路乙达
      • 出版社:机械工业
      • ISBN:9787111757030
      • 出版日期:2024/07/01
      • 页数:239
    • 售价:22
  • 内容大纲

        本书除了介绍推荐系统的一般框架、典型应用和评测方法外,还图文并茂地介绍了各种典型推荐系统与算法的思想、原理、设计、实现和应用场景。除了介绍基于协同过滤的推荐、基于内容的推荐、基于知识的推荐等经典推荐系统与算法外,还介绍了基于排序学习的推荐、基于异质信息网络的推荐、基于图神经网络的推荐等新型推荐系统与算法。此外,为便于读者快速入门并开展相关工程实践,本书还提供了配套的讲解视频和实验内容。
        本书可作为计算机科学与技术、软件工程、数据科学与大数据技术、人工智能等专业高年级本科生和研究生的推荐系统、数据挖掘、人工智能等相关课程的教材或参考书,也可作为从事推荐系统、搜索引擎、数据挖掘等研发工作相关人员的参考书。
  • 作者介绍

  • 目录

    第2版前言
    第1版前言
    第1章  概述
      1.1  推荐系统简介
        1.1.1  信息超载
        1.1.2  长尾效应
        1.1.3  推荐系统的价值
      1.2  推荐系统的发展历史
      1.3  典型应用场景
        1.3.1  电商
        1.3.2  新闻
        1.3.3  音乐
      1.4  推荐系统框架
        1.4.1  用户画像
        1.4.2  项目画像
      1.5  推荐算法分类
        1.5.1  基于算法思想的分类
        1.5.2  基于应用问题的分类
      习题
    第2章  基于邻域的协同过滤
      2.1  协同过滤简介
        2.1.1  基本思想
        2.1.2  算法分类
        2.1.3  一般流程
      2.2  基于用户的协同过滤
        2.2.1  Top-N推荐
        2.2.2  评分预测
      2.3  基于项目的协同过滤
        2.3.1  Top-N推荐
        2.3.2  评分预测
      2.4  基于距离的相似度度量
      2.5  邻域的选取
      2.6  Slope One算法
      2.7  基于二部图的协同过滤
        2.7.1  激活扩散模型
        2.7.2  物质扩散模型
        2.7.3  热传导模型
        2.7.4  基于图扩散的推荐系统
      习题
    第3章  基于模型的协同过滤
      3.1  基于关联规则的协同过滤
        3.1.1  基本概念
        3.1.2  关联规则度量
        3.1.3  Apriori关联规则挖掘算法
        3.1.4  关联规则的相关分析
        3.1.5  基于关联规则的推荐系统
      3.2  基于矩阵分解的评分预测
        3.2.1  奇异值分解
        3.2.2  隐语义模型
        3.2.3  概率矩阵分解

        3.2.4  SVD++模型
      3.3  基于矩阵分解的Top-N推荐
        3.3.1  基于正样本过采样的矩阵分解
        3.3.2  基于负样本欠采样的矩阵分解
      习题
    第4章  基于内容和知识的推荐
      4.1  基于内容的推荐系统框架
      4.2  基于词向量空间模型的文本表示
        4.2.1  词袋模型
        4.2.2  TF-IDF模型
        4.2.3  模型改进
        4.2.4  向量相似度度量
      4.3  基于语义的内容相似度
        4.3.1  基于本体的文本相似度
        4.3.2  基于网络知识的文本相似度
        4.3.3  基于语料库的文本相似度
      4.4  基于知识的推荐
        4.4.1  基于约束的推荐
        4.4.2  基于效用的推荐
        4.4.3  基于实例的推荐
        4.4.4  基于知识库的推荐
      习题
    第5章  混合推荐系统
      5.1  混合推荐实例——Netflix百万美金公开赛
      5.2  混合/组合推荐的动机
        5.2.1  实践经验
        5.2.2  理论依据
      5.3  混合/组合方法分类
        5.3.1  有监督组合和无监督组合
        5.3.2  基推荐器间依赖关系
      5.4  并行式混合推荐
        5.4.1  加权式混合
        5.4.2  切换式混合
        5.4.3  排序混合
      5.5  串行式混合推荐
        5.5.1  级联过滤
        5.5.2  级联学习
      5.6  整体式混合推荐
        5.6.1  特征组合
        5.6.2  特征扩充
        5.6.3  基于图模型的混合
      习题
    第6章  推荐系统评测
      6.1  评测视角
      6.2  实验方法
        6.2.1  在线实验
        6.2.2  用户调查
        6.2.3  离线实验
      6.3  评分预测评价指标
        6.3.1  MAE和MSE

        6.3.2  RMSE、NMAE和NRMSE
      6.4  Top-N推荐评价指标
        6.4.1  分类准确度指标
        6.4.2  ROC曲线和AUC值
        6.4.3  基于排序的评价指标
        6.4.4  其他常用评价指标
      6.5  公开实验数据集
      习题
    第7章  基于排序学习的推荐
      7.1  排序学习模型分类
      7.2  对级排序学习模型
        7.2.1  基本框架
        7.2.2  贝叶斯个性化排序
        7.2.3  协同对级排序学习
      7.3  列表级排序学习模型
        7.3.1  P-Push CR算法
        7.3.2  CofiRank算法
      习题
    第8章  基于情境感知的推荐
      8.1  情境信息的定义
      8.2  情境信息的获取
      8.3  基于情境感知的推荐系统框架
        8.3.1  数据立方体
        8.3.2  基于树的层次信息表达
      8.4  融合情境信息的推荐模型
        8.4.1  情境预过滤
        8.4.2  情境后过滤
      8.5  情境建模
        8.5.1  基于邻域的方法
        8.5.2  基于模型的方法
      习题
    第9章  基于时空信息的推荐
      9.1  基于时间信息的推荐
        9.1.1  最近最热门推荐算法
        9.1.2  基于时间的项目协同过滤
        9.1.3  基于时间的用户协同过滤
        9.1.4  基于会话的推荐
      9.2  基于序列感知的推荐
        9.2.1  基于马尔可夫模型的序列预测
        9.2.2  基于循环神经网络的序列预测
        9.2.3  基于注意力机制的序列预测
      9.3  基于空间信息的推荐
        9.3.1  位置信息的获取与推理
        9.3.2  基于位置信息的推荐
        9.3.3  融合其他信息的推荐
      习题
    第10章  基于社交关系的推荐
      10.1  社交关系数据
      10.2  基于邻域的社交化推荐
        10.2.1  基于用户的协同过滤

        10.2.2  基于图扩散的推荐
      10.3  基于模型的社交化推荐
        10.3.1  基于潜在社交因子学习的推荐
        10.3.2  基于显式社交关系的推荐
      10.4  基于社会曝光的协同过滤
      习题
    第11章  基于异质信息网络的推荐
      11.1  基本概念
      11.2  基于邻域的HIN推荐算法
        11.2.1  基于随机游走的相关度度量
        11.2.2  基于元路径的相关度度量
        11.2.3  基于元路径和随机游走混合的相关度度量
      11.3  基于模型的HIN推荐算法
        11.3.1  两阶段融合模型
        11.3.2  端到端的学习模型
      习题
    第12章  基于图神经网络的推荐
      12.1  图神经网络简介
        12.1.1  任务分类与定义
        12.1.2  一般流程与框架
        12.1.3  采样模块
        12.1.4  池化模块
        12.1.5  传播模块
      12.2  图神经网络典型算法
        12.2.1  GCN算法
        12.2.2  GraphSAGE算法
        12.2.3  GAT算法
      12.3  基于图神经网络的推荐算法
        12.3.1  基于用户-项目二部图的协同过滤
        12.3.2  基于知识图谱的推荐
      习题
    实验1  基于邻域协同过滤的Top-N推荐
    实验2  基于矩阵分解的评分预测
    实验3  面向应用的推荐系统实现
    参考文献