統計推薦係統 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

推薦係統無處不在，已經成為我們日常生活的一部分。本書由LinkedIn公司的兩位技術專傢撰寫，著眼於推薦係統的核心——統計方法，不僅介紹算法理論，而且包含實驗分析及結果展示，分享瞭作者豐富的實戰經驗。

書中對推薦係統進行瞭全麵討論，特彆是麵嚮日益突顯的多反饋和多目標優化問題，深入分析瞭當前先進的統計方法，如自適應序貫設計（多臂賭博機方法）、雙綫性隨機效應模型（矩陣分解）以及基於MapReduce分布式框架的可伸縮模型，為熱門推薦和個性化推薦提供瞭實用的解決方案。全書將基於迴歸的響應預測方法作為主要工具，兼顧實驗設計和統計模型開發，關注探索和利用之間的權衡。

迪帕剋·K. 阿加瓦爾（Deepak K. Agarwal） LinkedIn公司副總裁，領導人工智能/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，他緻力於為Web應用開發、部署機器學習和統計方法，以及解決推薦係統和計算廣告領域的大數據問題。

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!設計瞭前沿的推薦算法，

齣版者的話
譯者序
前言
第一部分　基礎知識
第1章　簡介2
1.1　麵嚮網絡應用的推薦係統概述3
1.1.1　算法3
1.1.2　優化指標5
1.1.3　探索與利用之間的權衡5
1.1.4　推薦係統的評估5
1.1.5　推薦和搜索：推送與拉取6
1.2　一個簡單的評分模型：熱門推薦7
1.3　練習10
第2章　經典推薦方法11
2.1　物品特徵11
2.1.1　分類12
2.1.2　詞袋模型13
2.1.3　主題建模15
2.1.4　其他物品特徵16
2.2　用戶特徵16
2.2.1　聲明的個人信息17
2.2.2　基於內容的畫像17
2.2.3　其他用戶特徵18
2.3　基於特徵的方法18
2.3.1　無監督方法18
2.3.2　有監督方法19
2.3.3　上下文信息22
2.4　協同過濾22
2.4.1　基於用戶-用戶相似度的方法23
2.4.2　基於物品-物品相似度的方法24
2.4.3　矩陣分解24
2.5　混閤方法27
2.6　小結28
2.7　練習28
第3章　麵嚮推薦問題的探索與利用29
3.1　探索與利用之間的權衡簡介30
3.2　多臂賭博機問題31
3.2.1　貝葉斯方法31
3.2.2　極小化極大方法34
3.2.3　啓發式賭博方案35
3.2.4　方法評價36
3.3　推薦係統中的探索與利用36
3.3.1　熱門推薦36
3.3.2　個性化推薦36
3.3.3　數據稀疏性的挑戰37
3.4　處理數據稀疏性的探索與利用37
3.4.1　降維方法37
3.4.2　降維中的探索與利用39
3.4.3　在綫模型39
3.5　小結40
3.6　練習40
第4章　評估方法41
4.1　傳統的離綫評估方法41
4.1.1　數據劃分方法42
4.1.2　準確度指標44
4.1.3　排序指標45
4.2　在綫分桶測試49
4.2.1　設置分桶測試49
4.2.2　在綫性能指標50
4.2.3　測試結果分析51
4.3　離綫模擬52
4.4　離綫迴放54
4.4.1　基本迴放估計55
4.4.2　迴放的擴展57
4.5　小結58
4.6　練習58
第二部分　常見問題設置
第5章　問題設置與係統架構60
5.1　問題設置60
5.1.1　常見的推薦模塊60
5.1.2　應用設置63
5.1.3　常見的統計方法65
5.2　係統架構66
5.2.1　主要組件66
5.2.2　示例係統67
第6章　熱門推薦69
6.1　應用案例：雅虎“今日”模塊69
6.2　問題定義71
6.3　貝葉斯方案72
6.3.1　2×2案例：兩件物品，兩個間隔73
6.3.2　K×2案例：K件物品，兩個間隔75
6.3.3　一般解77
6.4　非貝葉斯方案79
6.5　實驗評估81
6.5.1　比較分析81
6.5.2　方案刻畫83
6.5.3　分段分析85
6.5.4　桶測試結果86
6.6　大規模內容池87
6.7　小結87
6.8　練習88
第7章　基於特徵迴歸的個性化89
7.1　快速在綫雙綫性因子模型90
7.1.1　FOBFM概述90
7.1.2　FOBFM詳解91
7.2　離綫訓練93
7.2.1　EM算法94
7.2.2　E步驟95
7.2.3　M步驟96
7.2.4　可擴展性97
7.3　在綫學習97
7.3.1　在綫高斯模型97
7.3.2　在綫邏輯模型98
7.3.3　探索與利用方案99
7.3.4　在綫模型選擇99
7.4　雅虎數據集上的效果展示100
7.4.1　My Yahoo!數據集101
7.4.2　雅虎首頁數據集103
7.4.3　不包含離綫雙綫性項的FOBFM105
7.5　小結105
7.6　練習106
第8章　基於因子模型的個性化107
8.1　麵嚮迴歸的隱因子模型107
8.1.1　從矩陣分解到RLFM108
8.1.2　模型詳解109
8.1.3　RLFM的隨機過程112
8.2　擬閤算法113
8.2.1　適用於高斯響應的EM算法114
8.2.2　適用於邏輯響應的基於ARS的EM算法118
8.2.3　適用於邏輯響應的變分EM算法121
8.3　冷啓動效果展示124
8.4　時間敏感物品的大規模推薦127
8.4.1　在綫學習127
8.4.2　並行擬閤算法128
8.5　大規模問題效果展示130
8.5.1　 MovieLens-1M數據131
8.5.2　小規模雅虎首頁數據132
8.5.3　大規模雅虎首頁數據134
8.5.4　結果討論137
8.6　小結138
8.7　練習138
第三部分　進階主題
第9章　基於隱含狄利剋雷分布的分解140
9.1　簡介140
9.2　模型141
9.2.1　模型概述141
9.2.2　模型詳解142
9.3　訓練和預測145
9.3.1　模型擬閤145
9.3.2　預測150
9.4　實驗150
9.4.1　MovieLens數據150
9.4.2　Yahoo! Buzz應用151
9.4.3　BookCrossing數據集153
9.5　相關工作154
9.6　小結155
第10章　上下文相關推薦156
10.1　張量分解模型157
10.1.1　建模157
10.1.2　模型擬閤158
10.1.3　討論159
10.2　層次收縮模型160
10.2.1　建模160
10.2.2　模型擬閤161
10.2.3　局部增強張量模型164
10.3　多角度新聞文章推薦165
10.3.1　探索性數據分析166
10.3.2　實驗評估171
10.4　相關物品推薦176
10.4.1　語義相關性177
10.4.2　響應預測177
10.4.3　預測響應和預測相關性的結閤178
10.5　小結178
第11章　多目標優化179
11.1　應用設置179
11.2　分段方法180
11.2.1　問題設置180
11.2.2　目標優化181
11.3　個性化方法183
11.3.1　原始錶示184
11.3.2　拉格朗日對偶185
11.4　近似方法188
11.4.1　聚類188
11.4.2　采樣189
11.5　實驗189
11.5.1　實驗設置190
11.5.2　實驗結果191
11.6　相關工作197
11.7　小結198
參考文獻199
索引205
· · · · · · (收起)