本書(shū)主要介紹了基于網(wǎng)絡(luò)行為的數(shù)據(jù)召回階段和精排階段的一些結(jié)果排序研究成果, 包括構(gòu)造了一種三部圖排序模型, 該模型可以通過(guò)使用者和內(nèi)容的共同特點(diǎn)來(lái)對(duì)搜索返回結(jié)果的排序; 基于混合參數(shù)優(yōu)化二部圖排序模型, 該模型分析了傳統(tǒng)二部圖算法參數(shù)線性假設(shè)的缺陷, 得出內(nèi)容返回概率與搜索返回次數(shù)獨(dú)立的結(jié)論并證明該結(jié)論等方法。該技術(shù)成果主要目的是對(duì)網(wǎng)絡(luò)搜索的返回結(jié)果進(jìn)行排序, 從而按照用戶需求大小從大到小的順序返回搜索結(jié)果。
目錄
1推薦系統(tǒng)基礎(chǔ)001
1．1推薦系統(tǒng)簡(jiǎn)介001
1．2推薦系統(tǒng)常用方法003
1．2．1協(xié)同過(guò)濾003
1．2．2基于內(nèi)容的推薦算法005
1．2．3網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)推薦算法005
1．3推薦系統(tǒng)常用數(shù)據(jù)集與評(píng)價(jià)指標(biāo)009
1．3．1常用數(shù)據(jù)集009
1．3．2評(píng)價(jià)指標(biāo)010
1．4推薦系統(tǒng)面臨的挑戰(zhàn)012
2基于雙重自適應(yīng)機(jī)制的異質(zhì)信息網(wǎng)絡(luò)推薦算法014
2．1網(wǎng)絡(luò)表示學(xué)習(xí)014
2．1．1淺層神經(jīng)網(wǎng)絡(luò)模型015
2．1．2深度神經(jīng)網(wǎng)絡(luò)模型016
2．2異質(zhì)信息網(wǎng)絡(luò)018
2．2．1異質(zhì)信息網(wǎng)絡(luò)中的相似度計(jì)算018
2．2．2異質(zhì)信息網(wǎng)絡(luò)中的表示學(xué)習(xí)019
2．3基于異質(zhì)信息網(wǎng)絡(luò)的推薦算法022
2．4雙重自適應(yīng)異質(zhì)信息網(wǎng)絡(luò)推薦模型023
2．4．1模型總體思想023
2．4．2模型構(gòu)建方法026
2．4．3整體流程030
2．5實(shí)驗(yàn)結(jié)果及分析031
2．5．1對(duì)比實(shí)驗(yàn)結(jié)果031
2．5．2模型設(shè)計(jì)驗(yàn)證036
2．5．3推薦列表長(zhǎng)度影響分析037
2．5．4參數(shù)敏感度分折038
3基于時(shí)間和神經(jīng)網(wǎng)絡(luò)的推薦策略研究043
3．1基于物品綜合流行性的推薦算法044
3．1．1時(shí)間權(quán)重衰減模型044
3．1．2物品綜合流行性模型045
3．2實(shí)驗(yàn)結(jié)果047
3．2．1數(shù)據(jù)劃分047
3．2．2ComPI模型與基準(zhǔn)算法結(jié)合049
3．2．3ComPI模型與基于時(shí)效性算法對(duì)比051
3．2．4ComPI模型與最近度增加算法對(duì)比052
3．2．5ComPI模型的綜合對(duì)比分析054
3．3實(shí)驗(yàn)分析056
3．3．1時(shí)間權(quán)重的影響056
3．3．2分箱數(shù)量的影響057
3．3．3數(shù)據(jù)特性的影響058
3．3．4時(shí)間信息與資源分配059
3．4基于神經(jīng)網(wǎng)絡(luò)解決冷啟動(dòng)問(wèn)題的推薦研究061
3．4．1基于BP神經(jīng)網(wǎng)絡(luò)解決冷啟動(dòng)的推薦模型062
3．4．2基于CNN解決冷啟動(dòng)的物品推薦模型066
3．5實(shí)驗(yàn)結(jié)果及分析073
3．5．1評(píng)價(jià)指標(biāo)073
3．5．2 BP-Rec模型實(shí)驗(yàn)結(jié)果074
3．5．3 CNN-Rec模型實(shí)驗(yàn)結(jié)果081
4基于粒子群優(yōu)化參數(shù)的混合推薦算法087
4．1粒子群算法087
4．2混合算法IHM 088
4．3雙參數(shù)的IHM算法090
4．4算法參數(shù)改進(jìn)的合理性說(shuō)明092
4．5 IHM算法的參數(shù)優(yōu)化094
4．6實(shí)驗(yàn)與分析096
4．6．1對(duì)比算法096
4．6．2參數(shù)優(yōu)化097
4．6．3實(shí)驗(yàn)結(jié)果099
4．6．4多樣性提升分析102
4．6．5數(shù)據(jù)劃分對(duì)推薦結(jié)果的影響106
5基于word2vec的推薦系統(tǒng)模型研究112
5．1word2vec模型112
5．1．1 CBOW 112
5．1．2 Skip-gram 114
5．1．3分層softmax 115
5．1．4負(fù)采樣116
5．1．5高頻詞再抽樣117
5．2基于word2vec的圖隨機(jī)游走推薦優(yōu)化模型117
5．2．1基于圖隨機(jī)游走更斷權(quán)重117
5．2．2更新推薦列表125
5．2．3推薦系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)126
5．3試驗(yàn)分析128
5．3．1數(shù)據(jù)集128
5．3．2數(shù)據(jù)預(yù)處理129
5．3．3參數(shù)設(shè)置130
5．3．4實(shí)驗(yàn)結(jié)果與分析132
6基于混合策略的個(gè)性化推薦算法研究139
6．1馬爾可夫鏈及評(píng)價(jià)標(biāo)準(zhǔn)139
6．1．1馬爾可夫性及過(guò)程139
6．1．2轉(zhuǎn)移概率140
6．1．3算法性能測(cè)試方法141
6，1．4測(cè)試標(biāo)準(zhǔn)概述及認(rèn)識(shí)142
6，1．5關(guān)于K-means算法的簡(jiǎn)要介紹146
6．2基于混合策略的個(gè)性化推薦算法146
6．2．1混合策略146
6．2．2構(gòu)建推薦模型147
6．2．3改變權(quán)重與面積校正152
6．2．4參數(shù)和多樣性分析153
6．3實(shí)驗(yàn)與分析157
6．3．1結(jié)果預(yù)分析157
6．3．2實(shí)驗(yàn)結(jié)果對(duì)比158
參考文獻(xiàn)180
書(shū)單推薦
