基于網(wǎng)絡(luò)特征學(xué)習(xí)的個(gè)性化推薦系統(tǒng)

定　價(jià)：￥49.00

作　者：	王鴻偉著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	CCF優(yōu)秀博士學(xué)位論文叢書
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787111700609	出版時(shí)間：	2022-05-01	包裝：	平裝
開本：	32開	頁數(shù)：	257	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書主要介紹如何學(xué)習(xí)網(wǎng)絡(luò)中的節(jié)點(diǎn)表征，并將其應(yīng)用到推薦系統(tǒng)中，重點(diǎn)研究了推薦系統(tǒng)中的三種各具代表性的網(wǎng)絡(luò)：用戶產(chǎn)品交互的二分圖，用戶端的社交網(wǎng)絡(luò)，產(chǎn)品端的知識(shí)圖譜。本書系統(tǒng)性地研究了三種網(wǎng)絡(luò)的建模，提出了針對(duì)不同種類的網(wǎng)絡(luò)在多個(gè)層面將網(wǎng)絡(luò)信息和推薦系統(tǒng)進(jìn)行結(jié)合的解決方案。這些解決方案獲得了學(xué)術(shù)界的廣泛關(guān)注，有些方案已經(jīng)在實(shí)際的工業(yè)場(chǎng)景中落地，具有很強(qiáng)的學(xué)術(shù)和產(chǎn)業(yè)價(jià)值。本書能夠?qū)ν扑]系統(tǒng)領(lǐng)域起到一些作用，并對(duì)圖機(jī)器學(xué)習(xí)領(lǐng)域的研究人員提供更多應(yīng)用方向的啟發(fā)。

作者簡(jiǎn)介

暫缺《基于網(wǎng)絡(luò)特征學(xué)習(xí)的個(gè)性化推薦系統(tǒng)》作者簡(jiǎn)介

圖書目錄

叢書序
導(dǎo)師序
摘要
ABSTRACT
第1章緒論
1.1 課題背景及意義
1.2 推薦系統(tǒng)概述
1.2.1 傳統(tǒng)推薦系統(tǒng)方法分類
1.2.2 推薦系統(tǒng)最新的研究熱點(diǎn)和方向
1.3 網(wǎng)絡(luò)特征學(xué)習(xí)概述
1.3.1 背景介紹
1.3.2 輸入網(wǎng)絡(luò)的種類
1.3.3 輸出特征的種類
1.3.4 典型方法
1.4 本文研究?jī)?nèi)容及結(jié)構(gòu)安排
第2章應(yīng)用于推薦系統(tǒng)交互圖的網(wǎng)絡(luò)特征學(xué)習(xí)方法
2.1 引言
2.2 生成對(duì)抗式的網(wǎng)絡(luò)特征學(xué)習(xí)
2.2.1 GraphGAN 模型框架
2.2.2 判別器和生成器的實(shí)現(xiàn)與訓(xùn)練
2.3 網(wǎng)絡(luò)結(jié)構(gòu)感知的歸一化指數(shù)函數(shù)
2.3.1 graph softmax 的設(shè)計(jì)
2.3.2 性質(zhì)證明
2.3.3 生成策略
2.3.4 復(fù)雜度分析
2.4 性能驗(yàn)證
2.4.1 實(shí)驗(yàn)準(zhǔn)備工作
2.4.2 實(shí)證研究
2.4.3 實(shí)驗(yàn)結(jié)果
2.4.4 超參數(shù)敏感性
2.5 本章小結(jié)
第3章社交網(wǎng)絡(luò)輔助的推薦系統(tǒng)——基于特征的方法
3.1 引言
3.2 數(shù)據(jù)集構(gòu)建
3.3 有符號(hào)異構(gòu)網(wǎng)絡(luò)特征學(xué)習(xí)
3.3.1 情感符號(hào)預(yù)測(cè)的問題描述
3.3.2 有符號(hào)異構(gòu)網(wǎng)絡(luò)特征學(xué)習(xí)模型
3.3.3 相關(guān)討論
3.4 性能驗(yàn)證
3.4.1 實(shí)驗(yàn)準(zhǔn)備工作
3.4.2 實(shí)驗(yàn)結(jié)果
3.4.3 超參數(shù)敏感性
3.5 本章小結(jié)
第4章社交網(wǎng)絡(luò)輔助的推薦系統(tǒng)——基于結(jié)構(gòu)的方法
4.1 引言
4.2 背景知識(shí)和數(shù)據(jù)集分析
4.2.1 背景知識(shí)
4.2.2 數(shù)據(jù)集分析
4.3 社交-話題-語義感知的微博投票推薦方法
4.3.1 微博投票推薦的問題描述
4.3.2 話題感知的詞向量學(xué)習(xí)
4.3.3 投票推薦算法
4.4 性能驗(yàn)證
4.4.1 實(shí)驗(yàn)準(zhǔn)備工作
4.4.2 實(shí)驗(yàn)結(jié)果
4.4.3 超參數(shù)敏感性
4.5 本章小結(jié)
第5章知識(shí)圖譜輔助的推薦系統(tǒng)——基于特征的方法
5.1 引言
5.2 預(yù)備知識(shí)
5.2.1 知識(shí)圖譜特征學(xué)習(xí)
5.2.2 用于語句特征學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)
5.3 知識(shí)圖譜輔助的推薦系統(tǒng)的問題描述
5.4 依次學(xué)習(xí)法
5.4.1 知識(shí)提取
5.4.2 知識(shí)感知的卷積神經(jīng)網(wǎng)絡(luò)
5.4.3 基于注意力機(jī)制的用戶歷史興趣聚合
5.5 交替學(xué)習(xí)法
5.5.1 多任務(wù)學(xué)習(xí)模型框架
5.5.2 交叉壓縮單元、推薦系統(tǒng)模塊和知識(shí)圖譜特征學(xué)習(xí)模塊
5.5.3 學(xué)習(xí)算法
5.5.4 理論分析
5.6 性能驗(yàn)證
5.6.1 數(shù)據(jù)集
5.6.2 基準(zhǔn)方法
5.6.3 實(shí)驗(yàn)準(zhǔn)備工作
5.6.4 依次訓(xùn)練法的實(shí)驗(yàn)結(jié)果
5.6.5 交替訓(xùn)練法的實(shí)驗(yàn)結(jié)果
5.7 本章小結(jié)
第6章知識(shí)圖譜輔助的推薦系統(tǒng)——基于結(jié)構(gòu)的方法
6.1 引言
6.2 向外傳播法
6.2.1 RippleNet 模型框架
6.2.2 波紋集合
6.2.3 興趣傳播
6.2.4 學(xué)習(xí)算法
6.2.5 可解釋性與干涉加強(qiáng)的討論
6.3 向內(nèi)聚合法
6.3.1 KGCN 層
6.3.2 學(xué)習(xí)算法
6.3.3 知識(shí)圖譜牽引力的討論
6.4 性能驗(yàn)證
6.4.1 數(shù)據(jù)集
6.4.2 基準(zhǔn)方法
6.4.3 實(shí)驗(yàn)準(zhǔn)備工作
6.4.4 向外傳播法的實(shí)驗(yàn)結(jié)果
6.4.5 向內(nèi)聚合法的實(shí)驗(yàn)結(jié)果
6.5 本章小結(jié)
第7章總結(jié)與展望
7.1 總結(jié)
7.2 課題研究展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
攻讀學(xué)位期間參與的項(xiàng)目