123,123,123

內(nèi)容簡(jiǎn)介

　　信息化、智能化技術(shù)的快速發(fā)展引發(fā)了數(shù)據(jù)爆發(fā)式增長(zhǎng)，大數(shù)據(jù)時(shí)代的到來也伴隨著信息過載問題的出現(xiàn)。推薦系統(tǒng)是解決信息過載問題的有效方法，作為現(xiàn)階段推薦算法當(dāng)中應(yīng)用為廣泛的個(gè)性化推薦算法之一，協(xié)同過濾推薦算法有著該領(lǐng)域內(nèi)其他推薦算法無法比擬的諸多優(yōu)點(diǎn)。但是在實(shí)際應(yīng)用場(chǎng)景中，協(xié)同過濾推薦算法仍然有較多問題亟須解決。針對(duì)協(xié)同過濾推薦算法面對(duì)的數(shù)據(jù)稀疏性問題，《推薦系統(tǒng)關(guān)鍵技術(shù)的研究》分別采用數(shù)據(jù)填充方法、融合信任的概率矩陣分解模型、融合用戶評(píng)分信息和項(xiàng)目評(píng)論特征的深度學(xué)習(xí)模型進(jìn)行分析解決。針對(duì)協(xié)同過濾推薦算法面對(duì)的冷啟動(dòng)問題，《推薦系統(tǒng)關(guān)鍵技術(shù)的研究》分別采用K-means聚類算法與基于優(yōu)化的遺傳算法的K-means聚類混合算法進(jìn)行分析解決。針對(duì)協(xié)同過濾推薦算法面對(duì)的擴(kuò)展性問題，《推薦系統(tǒng)關(guān)鍵技術(shù)的研究》采用基于Hadoop平臺(tái)MapReduce分布式計(jì)算、HDFS分布式存儲(chǔ)模型進(jìn)行算法并行化處理。同時(shí)，在真實(shí)的數(shù)據(jù)集上通過實(shí)驗(yàn)驗(yàn)證上述模型與算法的可行性與有效性?！锻扑]系統(tǒng)關(guān)鍵技術(shù)的研究》共分為6章，包括推薦系統(tǒng)、數(shù)據(jù)填充方法、K-means聚類算法、基于混合算法的推薦系統(tǒng)、基于信任關(guān)系的推薦系統(tǒng)和融合多源數(shù)據(jù)的推薦系統(tǒng)?！锻扑]系統(tǒng)關(guān)鍵技術(shù)的研究》可作為推薦系統(tǒng)研究方向高年級(jí)本科生和研究生的教材，也可供相關(guān)領(lǐng)域的技術(shù)人員和科研工作者閱讀參考。

作者簡(jiǎn)介

暫缺《推薦系統(tǒng)關(guān)鍵技術(shù)的研究》作者簡(jiǎn)介

圖書目錄

前言
第1章推薦系統(tǒng)
1．1 什么是推薦系統(tǒng)
1．2 推薦系統(tǒng)的研究現(xiàn)狀
1．3 推薦系統(tǒng)的評(píng)測(cè)
第2章數(shù)據(jù)填充方法
2．1 協(xié)同過濾推薦算法概述
2．2 數(shù)據(jù)填充方法解決數(shù)據(jù)稀疏性問題
2．3 數(shù)據(jù)填充方法的并行化
2．4 實(shí)驗(yàn)評(píng)測(cè)及分析
2．5 小結(jié)
第3章 K-means聚類算法
3．1 K-means聚類算法的簡(jiǎn)介和特點(diǎn)
3．2 K-means聚類算法解決冷啟動(dòng)問題
3．3 K-means聚類算法的并行化
3．4 實(shí)驗(yàn)評(píng)測(cè)及分析
3．5 小結(jié)
第4章基于混合算法的推薦系統(tǒng)
4．1 遺傳算法
4．2 混合算法
4．3 混合算法解決冷啟動(dòng)問題
4．4 混合算法的并行化
4．5 推薦算法的并行化
4．6 實(shí)驗(yàn)評(píng)測(cè)及分析
4．7 小結(jié)
第5章基于信任關(guān)系的推薦系統(tǒng)
5．1 信任關(guān)系
5．2 融合信任關(guān)系的推薦模型
5．3 實(shí)驗(yàn)評(píng)測(cè)及分析
5．4 小結(jié)
第6章融合多源數(shù)據(jù)的推薦系統(tǒng)
6．1 融合評(píng)論數(shù)據(jù)的推薦系統(tǒng)
6．2 融合評(píng)分與評(píng)論數(shù)據(jù)的推薦系統(tǒng)
6．3 實(shí)驗(yàn)評(píng)測(cè)及分析
6．4 小結(jié)
參考文獻(xiàn)