当前位置：

机器学习算法实践

作者：王建芳

出版社：清华大学

出版年：2018年10月

ISBN：9787302507833

所属分类：科普读物

书刊介绍

《机器学习算法实践》内容简介

个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。
本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。
本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。
王建芳，男，博士，河南理工大学副教授，硕士研究生导师。研究方向包括推荐系统、深度学习、人工智能及智能计算算法。主持及参与国家、省部级项目共12项。申请国家发明专利3项、新型实用专利3项。在国内外重要期刊及国际会议上发表学术论文30余篇。出版教材及专著3部。有6项科研成果通过省部级鉴定，主持及参与省级教研教改项目2项，主持厅级项目2项，获得厅级二等奖及以上奖励3项，获得计算机软件著作权30余项。

作品目录

内容简介
作者简介
前言
PREFACE
第一篇
基础理论
第1章：理论入门
1.1、引言
1.2、推荐系统的形式化定义
1.3、基于近邻的协同过滤推荐算法
1.4、基于用户兴趣的推荐算法
1.5、基于模型的协同过滤推荐算法
1.6、基于信任的协同过滤推荐算法
1.7、推荐系统现存问题
1.8、评测指标
本章小结
参考文献
第二篇
基于时序的协同过滤推荐算法
第2章：基于巴式系数改进相似度的协同过滤推荐算法
2.1、引言
2.2、相关工作
2.3、一种巴氏系数改进相似度的协同过滤推荐算法
2.4、实验与分析
本章小结
参考文献
第3章：基于用户兴趣和项目属性的协同过滤推荐算法
3.1、引言
3.2、相关工作
3.3、基于用户兴趣和项目属性的协同过滤推荐算法
3.4、实验结果与分析
本章小结
参考文献
第三篇
基于矩阵分解的协同过滤推荐算法
第4章：SVD和信任因子相结合的协同过滤推荐算法
4.1、引言
4.2、标注和相关工作
4.3、SVD和信任因子相结合的协同过滤推荐算法
4.4、实验结果与分析
本章小结
参考文献
第5章：相似度填充的概率矩阵分解的协同过滤推荐算法
5.1、引言
5.2、相关工作
5.3、CF-PFCF算法
5.4、实验分析
本章小结
参考文献
第6章：基于偏置信息的改进概率矩阵分解算法研究
6.1、引言
6.2、相关工作
6.3、算法流程
6.4、实验分析
本章小结
参考文献
第7章：基于项目属性改进概率矩阵分解算法
7.1、引言
7.2、IAR-BP算法
7.3、实验结果对比分析
本章小结
参考文献
第8章：基于交替最小二乘的改进概率矩阵分解算法
8.1、引言
8.2、交替最小二乘
8.3、Baseline预测
8.4、IPMF算法
8.5、实验结果分析
本章小结
参考文献
第9章：基于社交网络的改进概率矩阵分解算法研究
9.1、引言
9.2、相关工作
9.3、概率矩阵分解
9.4、主要研究内容
9.5、实验分析
本章小结
参考文献
第10章：带偏置的非负矩阵分解推荐算法
10.1、引言
10.2、相关工作
10.3、RBNMF算法
10.4、实验分析
本章小结
参考文献
第11章：基于项目热度的协同过滤推荐算法
11.1、引言
11.2、非负矩阵分解
11.3、两阶段近邻选择
11.4、算法描述
11.5、实验结果分析
本章小结
参考文献
第四篇
基于信任的协同过滤推荐算法
第12章：带偏置的专家信任推荐算法
12.1、引言
12.2、相关工作
12.3、改进专家算法
12.4、实验结果与分析
本章小结
参考文献
第13章：一种改进专家信任的协同过滤推荐算法
13.1、引言
13.2、标注与相关工作
13.3、改进专家算法
13.4、实验结果与分析
本章小结
参考文献
第五篇
原型系统开发
第14章：电影推荐原型系统
14.1、引言
14.2、主要功能
14.3、关键技术
14.4、集群搭建
14.5、系统特点
14.6、用户使用说明
参考文献