- 深度学习在推荐系统中的应用
- - 作者：邢星|责编:杨慎欣//张培静
  - 出版社：科学
  - ISBN：9787030686190
  - 出版日期：2024/11/01
  - 页数：258
- 售价：67.2

内容大纲
针对国内外推荐系统技术热点问题，作者在推荐系统、深度学习领域基础理论方面进行了深入探索研究，借鉴国内外已有资料和前人成果，经过分析论证，围绕基于内容和知识的推荐、混合推荐、深度学习、基于深度学习的推荐以及辅助学习的推荐等五个方面的基本概念、研究现状、主要研究问题、待解决的问题以及未来的发展趋势等，形成支持新一代推荐系统技术的一些新思路。其目的是增进社会各界对基于深度学习的推荐系统技术发展情况和应用前景的深入体验和更加全面的认识，进而推进推荐系统技术发展和完善。
本书可供推荐系统技术研究人员、工程研究人员、技术应用人员，以及计算机、软件工程相关专业的研究生、本科生等参考。
作者介绍
邢星，博士，副教授，硕士生导师，主要从事数据挖掘、社交网络、控制理论与方法等方面的研究。在多种学术刊物和国际学术交流会上发表论文40多篇，出版学术著作1部，申请软件著作权6项，授权专利9项，主持国家级项目1项、省部级项目1项，参与国家级、省部级项目共7项。
目录
前言
第1章  概述
  1.1  什么是推荐系统
  1.2  推荐系统的发展历史
  1.3  推荐算法分类
    1.3.1  基于内容的推荐算法
    1.3.2  基于协同过滤的推荐算法
    1.3.3  混合推荐算法
  1.4  推荐系统应用
  1.5  推荐系统面临的挑战
第2章  基于内容和知识的推荐
  2.1  基于语义的推荐
    2.1.1  语义网基本概念
    2.1.2  资源描述框架
    2.1.3  本体描述语言
    2.1.4  本体语义推理
    2.1.5  隐语义推荐
  2.2  基于内容的推荐
    2.2.1  item representation
    2.2.2  profile learning
    2.2.3  recommendation generation
  2.3  基于约束的推荐
    2.3.1  基本概念
    2.3.2  会话式推荐系统的交互过程
    2.3.3  实际应用经验
    2.3.4  未来的研究方向
  2.4  基于效用的推荐
    2.4.1  基本概念
    2.4.2  个性化推荐的影响因素
    2.4.3  基于效用的个性化推荐的实现
    2.4.4  其他研究方法
第3章  协同过滤
  3.1  协同过滤简介
    3.1.1  基本思想
    3.1.2  算法分类
    3.1.3  一般流程
  3.2  基于邻域的协同过滤
    3.2.1  基于用户的协同过滤
    3.2.2  基于项目的协同过滤
  3.3  基于模型的协同过滤
    3.3.1  基于关联规则的协同过滤
    3.3.2  基于矩阵分解的协同过滤
第4章  混合推荐系统
  4.1  混合推荐系统分类
    4.1.1  混合推荐系统的价值
    4.1.2  混合推荐系统的实现方案
    4.1.3  对混合推荐系统的思考
  4.2  基于情景感知的推荐
    4.2.1  情景信息的表征性方法
    4.2.2  基于情景感知的用户兴趣模型

    4.2.3  高级情景获取
    4.2.4  情景前过滤
    4.2.5  情景后过滤
    4.2.6  情景建模
  4.3  基于时空信息的推荐
    4.3.1  路线推荐
    4.3.2  连续兴趣点推荐
    4.3.3  融合时空信息的连续兴趣点推荐
    4.3.4  停留点的检测
    4.3.5  相似度计算
    4.3.6  时间序列建模
  4.4  基于异质信息网络的推荐
    4.4.1  异质信息网络
    4.4.2  基于异质信息网络的推荐算法
    4.4.3  带权元路径中的相似性度量
    4.4.4  基于异质信息网络的矩阵分解
    4.4.5  非对称的异质信息网络推荐算法
第5章  深度学习
  5.1  神经网络
    5.1.1  人脑神经网络
    5.1.2  人工神经网络
    5.1.3  神经网络发展历史
  5.2  前馈神经网络
    5.2.1  前馈神经网络介绍
    5.2.2  反向传播算法
    5.2.3  随机梯度下降法
    5.2.4  优化算法
    5.2.5  权重初始值的合理设置
  5.3  自编码器
    5.3.1  稀疏自编码器
    5.3.2  降噪自编码器
    5.3.3  堆叠自编码器
  5.4  深度信念网络
    5.4.1  玻尔兹曼机
    5.4.2  受限玻尔兹曼机
    5.4.3  深度信念网络概述
  5.5  深度生成模型
    5.5.1  变分自编码
    5.5.2  对抗网络的生成
  5.6  卷积神经网络
    5.6.1  卷积的意义
    5.6.2  卷积神经网络组成
    5.6.3  卷积神经网络特点
    5.6.4  卷积神经网络架构
  5.7  循环神经网络
    5.7.1  简单循环神经网络
    5.7.2  基于门控的循环神经网络
    5.7.3  深层循环神经网络
  5.8  图神经网络
    5.8.1  图结构

    5.8.2  图神经网络的分类
  5.9  强化学习
    5.9.1  强化学习介绍
    5.9.2  基于值函数的学习方法
    5.9.3  基于策略函数的学习方法
第6章  基于深度学习的推荐系统应用
  6.1  深度学习在基于内容的推荐系统中的应用
    6.1.1  基于多层感知机的方法
    6.1.2  基于卷积神经网络的方法
    6.1.3  基于循环神经网络的方法
    6.1.4  基于深度信念网络的方法
  6.2  深度学习在协同过滤中的应用
    6.2.1  基于自编码器的协同过滤算法
    6.2.2  基于受限玻尔兹曼机的协同过滤算法
    6.2.3  基于循环神经网络的协同过滤算法
    6.2.4  基于生成对抗网络的协同过滤算法
    6.2.5  基于其他深度学习模型的协同过滤算法
  6.3  基于图神经网络的推荐系统的应用
    6.3.1  推荐系统概述
    6.3.2  图神经网络技术
    6.3.3  基于图神经网络的社交推荐研究
    6.3.4  基于图神经网络的二部图推荐研究
    6.3.5  基于知识图谱的推荐研究
    6.3.6  基于图神经网络的序列推荐研究
  6.4  深度学习在混合推荐系统中的应用
  6.5  基于深度强化学习的推荐系统
    6.5.1  静态场景下的强化推荐算法
    6.5.2  动态场景下的强化推荐算法
  6.6  基于深度学习的推荐研究发展趋势
第7章  辅助学习的推荐系统
  7.1  辅助学习简介
  7.2  国内个性化推荐主要成就
  7.3  基于协同过滤的学习资源个性化推荐
    7.3.1  相关概念
    7.3.2  实现步骤
    7.3.3  个性化推荐特点
  7.4  课程推荐系统
    7.4.1  实现步骤
    7.4.2  课程推荐的特点
  7.5  评估推荐系统对教育的影响
  7.6  辅助学习推荐系统面临的挑战
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目