面向復(fù)雜數(shù)據(jù)的推薦分析研究簡介，目錄書摘
2019-11-08 17:10
來源：京東
作者：京東
面向復(fù)雜數(shù)據(jù)的推薦分析研究
暫無報價
5評論
66%好評
編輯推薦:
內(nèi)容簡介: 《面向復(fù)雜數(shù)據(jù)的推薦分析研究》主要從推薦分析的角度，系統(tǒng)介紹了如何利用推薦分析的相關(guān)理論和方法，提升復(fù)雜數(shù)據(jù)的推薦效果和精度，同時還結(jié)合實際應(yīng)用問題說明了面向復(fù)雜數(shù)據(jù)的推薦分析應(yīng)用過程。主要內(nèi)容包括基于二部圖網(wǎng)絡(luò)的推薦算法改進、Slopeone算法及基于內(nèi)容的過濾改進、組合推薦等。
作者簡介:
目錄:第1章 緒論
1.1 研究背景及意義
1.1.1 研究背景
1.1.2 研究目的及意義
1.2 信息技術(shù)發(fā)展
1.2.1 信息存儲技術(shù)
1.2.2 信息處理技術(shù)
1.2.3 信息系統(tǒng)技術(shù)
1.3 本書的研究內(nèi)容及創(chuàng)新
1.4 數(shù)據(jù)集介紹
1.5 本章小結(jié)
第2章 相關(guān)研究概述
2.1 國內(nèi)外相關(guān)領(lǐng)域研究現(xiàn)狀
2.1.1 復(fù)雜數(shù)據(jù)處理方法
2.1.2 推薦算法
2.2 本章小結(jié)
第3章 目前主要推薦算法概述
3.1 基于統(tǒng)計的推薦算法
3.2 基于內(nèi)容的推薦算法
3.3 協(xié)同過濾推薦算法
3.4 基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)
3.5 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦
3.6 組合推薦
3.7 推薦算法評測
3.7.1 預(yù)測評分準(zhǔn)確度
3.7.2 預(yù)測評分關(guān)聯(lián)性
3.7.3 推薦準(zhǔn)確度
3.7.4 排序準(zhǔn)確度
3.7.5 覆蓋率
3.7.6 個性化程度／多樣性
3.7.7 新穎性
3.7.8 驚喜度
3.8 推薦算法評測結(jié)果的比較
3.9 電子商務(wù)推薦系統(tǒng)的整體架構(gòu)
3.1 0推薦系統(tǒng)的瓶頸和挑戰(zhàn)
3.1 1本章小結(jié)
第4章 基于二部圖網(wǎng)絡(luò)的推薦算法
4.1 復(fù)雜網(wǎng)絡(luò)理論
4.1.1 復(fù)雜網(wǎng)絡(luò)的演化過程
4.1.2 復(fù)雜網(wǎng)絡(luò)簡介
4.1.3 二部圖網(wǎng)絡(luò)簡介
4.2 基于二部圖網(wǎng)絡(luò)的推薦算法
4.2.1 基于二部圖網(wǎng)絡(luò)的推薦算法研究現(xiàn)狀
4.2.2 基于二部圖網(wǎng)絡(luò)的推薦算法簡介
4.2.3 目前一些可行的優(yōu)化算法
4.3 本章小結(jié)
第5章 基于二部圖網(wǎng)絡(luò)推薦算法的改進
5.1 基于二部圖網(wǎng)絡(luò)的推薦算法的不足
5.1.1 冷啟動問題
5.1.2 用戶興趣度參差不齊的問題
5.1.3 內(nèi)容匹配問題
5.2 社會化標(biāo)簽
5.2.1 標(biāo)簽及社會化標(biāo)簽
5.2.2 社會化標(biāo)簽的應(yīng)用
5.3 引入社會化標(biāo)簽的二部圖網(wǎng)絡(luò)推薦算法
5.3.1 計算用戶-產(chǎn)品二部圖
5.3.2 計算產(chǎn)品-標(biāo)簽二部圖
5.3.3 對前兩步中產(chǎn)品得到的資源求和
5.4 實驗數(shù)據(jù)集
5.4.1 數(shù)據(jù)集選取
5.4.2 數(shù)據(jù)集結(jié)構(gòu)
5.4.3 數(shù)據(jù)集預(yù)處理
5.5 實驗思路
5.5.1 實驗方法
5.5.2 實驗步驟
5.6 實驗結(jié)果及分析
5.6.1 單組數(shù)據(jù)集實驗
5.6.2 多組數(shù)據(jù)集實驗
5.6.3 不同規(guī)模數(shù)據(jù)集實驗
5.7 本章小結(jié)
第6章 改進的Slope one算法及基于內(nèi)容的過濾
6.1 Slope one算法簡介
6.2 改進的Slope one算法
6.2.1 算法改進背景
6.2.2 時間權(quán)重函數(shù)
6.2.3 參數(shù)T0的自學(xué)習(xí)
6.2.4 實驗分析
6.3 基于KNN的內(nèi)容過濾
6.4 本章小結(jié)
第7章 組合算法的推薦系統(tǒng)模型
7.1 組合推薦系統(tǒng)的優(yōu)勢
7.2 組合算法的推薦系統(tǒng)模型
7.2.1 組合推薦算法的基本思想
7.2.2 組合推薦模型的框架
7.3 實驗結(jié)果及分析
7.3.1 實驗?zāi)康?
7.3.2 實驗方法
7.3.3 度量標(biāo)準(zhǔn)
7.3.4 實驗結(jié)果
7.4 本章小結(jié)
第8章 推薦系統(tǒng)應(yīng)用研究
8.1 需求分析
8.2 系統(tǒng)整體架構(gòu)圖
8.3 系統(tǒng)推薦流程
8.4 數(shù)據(jù)庫設(shè)計
8.5 推薦系統(tǒng)功能模塊的劃分
8.6 推薦系統(tǒng)中的訪問控制模型
8.6.1 推薦系統(tǒng)的模型基礎(chǔ)
8.6.2 基于信譽的訪問控制模型組件
8.6.3 基于信譽的訪問控制模型
8.6.4 基于信譽的訪問控制機制
8.6.5 基于信譽的訪問控制機制范例
8.7 本章小結(jié)
第9章 總結(jié)與展望
參考文獻
1.1 研究背景及意義
1.1.1 研究背景
1.1.2 研究目的及意義
1.2 信息技術(shù)發(fā)展
1.2.1 信息存儲技術(shù)
1.2.2 信息處理技術(shù)
1.2.3 信息系統(tǒng)技術(shù)
1.3 本書的研究內(nèi)容及創(chuàng)新
1.4 數(shù)據(jù)集介紹
1.5 本章小結(jié)
第2章 相關(guān)研究概述
2.1 國內(nèi)外相關(guān)領(lǐng)域研究現(xiàn)狀
2.1.1 復(fù)雜數(shù)據(jù)處理方法
2.1.2 推薦算法
2.2 本章小結(jié)
第3章 目前主要推薦算法概述
3.1 基于統(tǒng)計的推薦算法
3.2 基于內(nèi)容的推薦算法
3.3 協(xié)同過濾推薦算法
3.4 基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)
3.5 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦
3.6 組合推薦
3.7 推薦算法評測
3.7.1 預(yù)測評分準(zhǔn)確度
3.7.2 預(yù)測評分關(guān)聯(lián)性
3.7.3 推薦準(zhǔn)確度
3.7.4 排序準(zhǔn)確度
3.7.5 覆蓋率
3.7.6 個性化程度／多樣性
3.7.7 新穎性
3.7.8 驚喜度
3.8 推薦算法評測結(jié)果的比較
3.9 電子商務(wù)推薦系統(tǒng)的整體架構(gòu)
3.1 0推薦系統(tǒng)的瓶頸和挑戰(zhàn)
3.1 1本章小結(jié)
第4章 基于二部圖網(wǎng)絡(luò)的推薦算法
4.1 復(fù)雜網(wǎng)絡(luò)理論
4.1.1 復(fù)雜網(wǎng)絡(luò)的演化過程
4.1.2 復(fù)雜網(wǎng)絡(luò)簡介
4.1.3 二部圖網(wǎng)絡(luò)簡介
4.2 基于二部圖網(wǎng)絡(luò)的推薦算法
4.2.1 基于二部圖網(wǎng)絡(luò)的推薦算法研究現(xiàn)狀
4.2.2 基于二部圖網(wǎng)絡(luò)的推薦算法簡介
4.2.3 目前一些可行的優(yōu)化算法
4.3 本章小結(jié)
第5章 基于二部圖網(wǎng)絡(luò)推薦算法的改進
5.1 基于二部圖網(wǎng)絡(luò)的推薦算法的不足
5.1.1 冷啟動問題
5.1.2 用戶興趣度參差不齊的問題
5.1.3 內(nèi)容匹配問題
5.2 社會化標(biāo)簽
5.2.1 標(biāo)簽及社會化標(biāo)簽
5.2.2 社會化標(biāo)簽的應(yīng)用
5.3 引入社會化標(biāo)簽的二部圖網(wǎng)絡(luò)推薦算法
5.3.1 計算用戶-產(chǎn)品二部圖
5.3.2 計算產(chǎn)品-標(biāo)簽二部圖
5.3.3 對前兩步中產(chǎn)品得到的資源求和
5.4 實驗數(shù)據(jù)集
5.4.1 數(shù)據(jù)集選取
5.4.2 數(shù)據(jù)集結(jié)構(gòu)
5.4.3 數(shù)據(jù)集預(yù)處理
5.5 實驗思路
5.5.1 實驗方法
5.5.2 實驗步驟
5.6 實驗結(jié)果及分析
5.6.1 單組數(shù)據(jù)集實驗
5.6.2 多組數(shù)據(jù)集實驗
5.6.3 不同規(guī)模數(shù)據(jù)集實驗
5.7 本章小結(jié)
第6章 改進的Slope one算法及基于內(nèi)容的過濾
6.1 Slope one算法簡介
6.2 改進的Slope one算法
6.2.1 算法改進背景
6.2.2 時間權(quán)重函數(shù)
6.2.3 參數(shù)T0的自學(xué)習(xí)
6.2.4 實驗分析
6.3 基于KNN的內(nèi)容過濾
6.4 本章小結(jié)
第7章 組合算法的推薦系統(tǒng)模型
7.1 組合推薦系統(tǒng)的優(yōu)勢
7.2 組合算法的推薦系統(tǒng)模型
7.2.1 組合推薦算法的基本思想
7.2.2 組合推薦模型的框架
7.3 實驗結(jié)果及分析
7.3.1 實驗?zāi)康?
7.3.2 實驗方法
7.3.3 度量標(biāo)準(zhǔn)
7.3.4 實驗結(jié)果
7.4 本章小結(jié)
第8章 推薦系統(tǒng)應(yīng)用研究
8.1 需求分析
8.2 系統(tǒng)整體架構(gòu)圖
8.3 系統(tǒng)推薦流程
8.4 數(shù)據(jù)庫設(shè)計
8.5 推薦系統(tǒng)功能模塊的劃分
8.6 推薦系統(tǒng)中的訪問控制模型
8.6.1 推薦系統(tǒng)的模型基礎(chǔ)
8.6.2 基于信譽的訪問控制模型組件
8.6.3 基于信譽的訪問控制模型
8.6.4 基于信譽的訪問控制機制
8.6.5 基于信譽的訪問控制機制范例
8.7 本章小結(jié)
第9章 總結(jié)與展望
參考文獻
相關(guān)商品
京公網(wǎng)安備 11000002000088號
