博客來
《統計推薦系統》由LinkedIn公司的技術專家撰寫，著眼於推薦系統的核心—統計方法，不僅講解理論知識，而且分享了作者在LinkedIn和Yahoo！的實踐經驗。
《統計推薦系統》分為三部分：第一部分介紹推薦系統的組成、經典推薦方法及評估方法，並引出了探索與利用問題；第二部分圍繞點擊通過率（CTR）預估這一重要問題，重點介紹快速線上雙線性因數模型和面向回歸的隱因數模型，為熱門推薦和個性化推薦提供解決方案；第三部分討論進階主題，涵蓋分解的隱含狄利克雷分佈模型、張量分解模型、層次收縮模型以及多目標優化方法。
| FindBook |
有 1 項符合
統計推薦系統的圖書 |
 |
統計推薦系統 作者：（美）迪帕克·K.阿加瓦爾 出版社：機械工業出版社 出版日期：2019-09-01 語言：簡體中文 規格：平裝 / 220頁 / 16k/ 19 x 26 x 1.1 cm / 普通級/ 單色印刷 / 1-1 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：統計推薦系統
內容簡介
作者介紹
迪派克·K.阿加瓦爾（Deepak K.Agarwal），LinkedIn公司副總裁，領導人工智慧／機器學習團隊的研發工作。之前曾任Yahoo！研究院研究主管和首席研究員，以及AT&T公司研究員。20多年來，他致力於為Web應用開發、部署機器學習和統計方法，以及解決推薦系統和計算廣告領域的大資料問題。
陳必衷（Bee-Chung Chen），LinkedIn公司首席主任工程師、應用研究員，曾任Yahoo！研究院研究員。作為核心開發者，他為LinkedIn和Yahoo！設計了前沿的推薦演算法，此外，他還關注資料採擷、機器學習和大資料分析技術。
戴薇，深圳大學電腦與軟體學院研究生，主要研究方向為遷移學習、推薦系統和機器學習。
潘微科，深圳大學電腦與軟體學院副教授，主要研究方向為遷移學習和推薦系統。
明仲，深圳大學電腦與軟體學院院長、教授，大資料系統計算技術國家工程實驗室執行主任，主要研究方向為人工智慧、軟體工程和推薦系統。
陳必衷（Bee-Chung Chen），LinkedIn公司首席主任工程師、應用研究員，曾任Yahoo！研究院研究員。作為核心開發者，他為LinkedIn和Yahoo！設計了前沿的推薦演算法，此外，他還關注資料採擷、機器學習和大資料分析技術。
戴薇，深圳大學電腦與軟體學院研究生，主要研究方向為遷移學習、推薦系統和機器學習。
潘微科，深圳大學電腦與軟體學院副教授，主要研究方向為遷移學習和推薦系統。
明仲，深圳大學電腦與軟體學院院長、教授，大資料系統計算技術國家工程實驗室執行主任，主要研究方向為人工智慧、軟體工程和推薦系統。
目錄
出版者的話
譯者序
前言
第一部分 基礎知識
第1章 簡介
1．1 面向網路應用的推薦系統概述
1．1．1 演算法
1．1．2 優化指標
1．1．3 探索與利用之間的權衡
1．1．4 推薦系統的評估
1．1．5 推薦和搜索：推送與拉取
1．2 一個簡單的評分模型：熱門推薦
1．3 練習
第2章 經典推薦方法
2．1 物品特徵
2．1．1 分類
2．1．2 詞袋模型
2．1．3 主題建模
2．1．4 其他物品特徵
2．2 使用者特徵
2．2．1 聲明的個人資訊
2．2．2 基於內容的畫像
2．2．3 其他使用者特徵
2．3 基於特徵的方法
2．3．1 無監督方法
2．3．2 有監督方法
2．3．3 上下文信息
2．4 協同過濾
2．4．1 基於用戶-用戶相似度的方法
2．4．2 基於物品-物品相似度的方法
2．4．3 矩陣分解
2．5 混合方法
2．6 小結
2．7 練習
第3章 面向推薦問題的探索與利用
3．1 探索與利用之間的權衡簡介
3．2 多臂賭博機問題
3．2．1 貝葉斯方法
3．2．2 極小化極大方法
3．2．3 啟發式賭博方案
3．2．4 方法評價
3．3 推薦系統中的探索與利用
3．3．1 熱門推薦
3．3．2 個性化推薦
3．3．3 數據稀疏性的挑戰
3．4 處理資料稀疏性的探索與利用
3．4．1 降維方法
3．4．2 降維中的探索與利用
3．4．3 線上模型
3．5 小結
3．6 練習
第4章 評估方法
4．1 傳統的離線評估方法
4．1．1 資料劃分方法
4．1．2 準確度指標
4．1．3 排序指標
4．2 線上分桶測試
4．2．1 設置分桶測試
4．2．2 線上性能指標
4．2．3 測試結果分析
4．3 離線模擬
4．4 離線重播
4．4．1 基本重播估計
4．4．2 重播的擴展
4．5 小結
4．6 練習
第二部分 常見問題設置
第5章 問題設置與系統架構
5．1 問題設置
5．1．1 常見的推薦模組
5．1．2 應用設置
5．1．3 常見的統計方法
5．2 系統架構
5．2．1 主要組件
5．2．2 示例系統
第6章 熱門推薦
6．1 應用案例：雅虎“今日”模組
6．2 問題定義
6．3 貝葉斯方案
6．3．1 2×2案例：兩件物品，兩個間隔
6．3．2 K×2案例：K件物品，兩個間隔
6．3．3 一般解
6．4 非貝葉斯方案
6．5 實驗評估
6．5．1 比較分析
6．5．2 方案刻畫
6．5．3 分段分析
6．5．4 桶測試結果
6．6 大規模內容池
6．7 小結
6．8 練習
第7章 基於特徵回歸的個性化
7．1 快速線上雙線性因數模型
7．1．1 FOBFM概述
7．1．2 FOBFM詳解
7．2 離線訓練
7．2．1 EM演算法
7．2．2 E步驟
7．2．3 M步驟
7．2．4 可擴展性
7．3 線上學習
7．3．1 線上高斯模型
7．3．2 線上邏輯模型
7．3．3 探索與利用方案
7．3．4 線上模型選擇
7．4 雅虎資料集上的效果展示
7．4．1 My Yahoo!資料集
7．4．2 雅虎首頁資料集
7．4．3 不包含離線雙線性項的FOBFM
7．5 小結
7．6 練習
第8章 基於因數模型的個性化
8．1 面向回歸的隱因數模型
8．1．1 從矩陣分解到RLFM
8．1．2 模型詳解
8．1．3 RLFM的隨機過程
8．2 擬合算法
8．2．1 適用于高斯回應的EM演算法
8．2．2 適用於邏輯響應的基於ARS的EM演算法
8．2．3 適用於邏輯響應的變分EM演算法
8．3 冷開機效果展示
8．4 時間敏感物品的大規模推薦
8．4．1 線上學習
8．4．2 並行擬合算法
8．5 大規模問題效果展示
8．5．1 MovieLens-1M數據
8．5．2 小規模雅虎首頁數據
8．5．3 大規模雅虎首頁資料
8．5．4 結果討論
8．6 小結
8．7 練習
第三部分 進階主題
第9章 基於隱含狄利克雷分佈的分解
9．1 簡介
9．2 模型
9．2．1 模型概述
9．2．2 模型詳解
9．3 訓練和預測
9．3．1 模型擬合
9．3．2 預測
9．4 實驗
9．4．1 MovieLens數據
9．4．2 Yahoo! Buzz應用
9．4．3 BookCrossing資料集
9．5 相關工作
9．6 小結
第10章 上下文相關推薦
10．1 張量分解模型
10．1．1 建模
10．1．2 模型擬合
10．1．3 討論
10．2 層次收縮模型
10．2．1 建模
10．2．2 模型擬合
10．2．3 局部增強張量模型
10．3 多角度新聞文章推薦
10．3．1 探索性資料分析
10．3．2 實驗評估
10．4 相關物品推薦
10．4．1 語義相關性
10．4．2 回應預測
10．4．3 預測回應和預測相關性的結合
10．5 小結
第11章 多目標優化
11．1 應用設置
11．2 分段方法
11．2．1 問題設置
11．2．2 目標優化
11．3 個性化方法
11．3．1 原始表示
11．3．2 拉格朗日對偶
11．4 近似方法
11．4．1 聚類
11．4．2 採樣
11．5 實驗
11．5．1 實驗設置
11．5．2 實驗結果
11．6 相關工作
11．7 小結
參考文獻
索引
譯者序
前言
第一部分 基礎知識
第1章 簡介
1．1 面向網路應用的推薦系統概述
1．1．1 演算法
1．1．2 優化指標
1．1．3 探索與利用之間的權衡
1．1．4 推薦系統的評估
1．1．5 推薦和搜索：推送與拉取
1．2 一個簡單的評分模型：熱門推薦
1．3 練習
第2章 經典推薦方法
2．1 物品特徵
2．1．1 分類
2．1．2 詞袋模型
2．1．3 主題建模
2．1．4 其他物品特徵
2．2 使用者特徵
2．2．1 聲明的個人資訊
2．2．2 基於內容的畫像
2．2．3 其他使用者特徵
2．3 基於特徵的方法
2．3．1 無監督方法
2．3．2 有監督方法
2．3．3 上下文信息
2．4 協同過濾
2．4．1 基於用戶-用戶相似度的方法
2．4．2 基於物品-物品相似度的方法
2．4．3 矩陣分解
2．5 混合方法
2．6 小結
2．7 練習
第3章 面向推薦問題的探索與利用
3．1 探索與利用之間的權衡簡介
3．2 多臂賭博機問題
3．2．1 貝葉斯方法
3．2．2 極小化極大方法
3．2．3 啟發式賭博方案
3．2．4 方法評價
3．3 推薦系統中的探索與利用
3．3．1 熱門推薦
3．3．2 個性化推薦
3．3．3 數據稀疏性的挑戰
3．4 處理資料稀疏性的探索與利用
3．4．1 降維方法
3．4．2 降維中的探索與利用
3．4．3 線上模型
3．5 小結
3．6 練習
第4章 評估方法
4．1 傳統的離線評估方法
4．1．1 資料劃分方法
4．1．2 準確度指標
4．1．3 排序指標
4．2 線上分桶測試
4．2．1 設置分桶測試
4．2．2 線上性能指標
4．2．3 測試結果分析
4．3 離線模擬
4．4 離線重播
4．4．1 基本重播估計
4．4．2 重播的擴展
4．5 小結
4．6 練習
第二部分 常見問題設置
第5章 問題設置與系統架構
5．1 問題設置
5．1．1 常見的推薦模組
5．1．2 應用設置
5．1．3 常見的統計方法
5．2 系統架構
5．2．1 主要組件
5．2．2 示例系統
第6章 熱門推薦
6．1 應用案例：雅虎“今日”模組
6．2 問題定義
6．3 貝葉斯方案
6．3．1 2×2案例：兩件物品，兩個間隔
6．3．2 K×2案例：K件物品，兩個間隔
6．3．3 一般解
6．4 非貝葉斯方案
6．5 實驗評估
6．5．1 比較分析
6．5．2 方案刻畫
6．5．3 分段分析
6．5．4 桶測試結果
6．6 大規模內容池
6．7 小結
6．8 練習
第7章 基於特徵回歸的個性化
7．1 快速線上雙線性因數模型
7．1．1 FOBFM概述
7．1．2 FOBFM詳解
7．2 離線訓練
7．2．1 EM演算法
7．2．2 E步驟
7．2．3 M步驟
7．2．4 可擴展性
7．3 線上學習
7．3．1 線上高斯模型
7．3．2 線上邏輯模型
7．3．3 探索與利用方案
7．3．4 線上模型選擇
7．4 雅虎資料集上的效果展示
7．4．1 My Yahoo!資料集
7．4．2 雅虎首頁資料集
7．4．3 不包含離線雙線性項的FOBFM
7．5 小結
7．6 練習
第8章 基於因數模型的個性化
8．1 面向回歸的隱因數模型
8．1．1 從矩陣分解到RLFM
8．1．2 模型詳解
8．1．3 RLFM的隨機過程
8．2 擬合算法
8．2．1 適用于高斯回應的EM演算法
8．2．2 適用於邏輯響應的基於ARS的EM演算法
8．2．3 適用於邏輯響應的變分EM演算法
8．3 冷開機效果展示
8．4 時間敏感物品的大規模推薦
8．4．1 線上學習
8．4．2 並行擬合算法
8．5 大規模問題效果展示
8．5．1 MovieLens-1M數據
8．5．2 小規模雅虎首頁數據
8．5．3 大規模雅虎首頁資料
8．5．4 結果討論
8．6 小結
8．7 練習
第三部分 進階主題
第9章 基於隱含狄利克雷分佈的分解
9．1 簡介
9．2 模型
9．2．1 模型概述
9．2．2 模型詳解
9．3 訓練和預測
9．3．1 模型擬合
9．3．2 預測
9．4 實驗
9．4．1 MovieLens數據
9．4．2 Yahoo! Buzz應用
9．4．3 BookCrossing資料集
9．5 相關工作
9．6 小結
第10章 上下文相關推薦
10．1 張量分解模型
10．1．1 建模
10．1．2 模型擬合
10．1．3 討論
10．2 層次收縮模型
10．2．1 建模
10．2．2 模型擬合
10．2．3 局部增強張量模型
10．3 多角度新聞文章推薦
10．3．1 探索性資料分析
10．3．2 實驗評估
10．4 相關物品推薦
10．4．1 語義相關性
10．4．2 回應預測
10．4．3 預測回應和預測相關性的結合
10．5 小結
第11章 多目標優化
11．1 應用設置
11．2 分段方法
11．2．1 問題設置
11．2．2 目標優化
11．3 個性化方法
11．3．1 原始表示
11．3．2 拉格朗日對偶
11．4 近似方法
11．4．1 聚類
11．4．2 採樣
11．5 實驗
11．5．1 實驗設置
11．5．2 實驗結果
11．6 相關工作
11．7 小結
參考文獻
索引
|
