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

定　價：￥49.00

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

購買這本書可以去

ISBN：	9787111700609	出版時間：	2022-05-01	包裝：	平裝
開本：	32開	頁數(shù)：	257	字數(shù)：

內(nèi)容簡介

　　本書主要介紹如何學(xué)習(xí)網(wǎng)絡(luò)中的節(jié)點表征，并將其應(yīng)用到推薦系統(tǒng)中，重點研究了推薦系統(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，提出了針對不同種類的網(wǎng)絡(luò)在多個層面將網(wǎng)絡(luò)信息和推薦系統(tǒng)進行結(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)在實際的工業(yè)場景中落地，具有很強的學(xué)術(shù)和產(chǎn)業(yè)價值。本書能夠?qū)ν扑]系統(tǒng)領(lǐng)域起到一些作用，并對圖機器學(xué)習(xí)領(lǐng)域的研究人員提供更多應(yīng)用方向的啟發(fā)。

作者簡介

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

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 本文研究內(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
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 性能驗證
2.4.1 實驗準備工作
2.4.2 實證研究
2.4.3 實驗結(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 有符號異構(gòu)網(wǎng)絡(luò)特征學(xué)習(xí)
3.3.1 情感符號預(yù)測的問題描述
3.3.2 有符號異構(gòu)網(wǎng)絡(luò)特征學(xué)習(xí)模型
3.3.3 相關(guān)討論
3.4 性能驗證
3.4.1 實驗準備工作
3.4.2 實驗結(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 背景知識和數(shù)據(jù)集分析
4.2.1 背景知識
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 性能驗證
4.4.1 實驗準備工作
4.4.2 實驗結(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
5.2.1 知識圖譜特征學(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 知識提取
5.4.2 知識感知的卷積神經(jīng)網(wǎng)絡(luò)
5.4.3 基于注意力機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 性能驗證
5.6.1 數(shù)據(jù)集
5.6.2 基準方法
5.6.3 實驗準備工作
5.6.4 依次訓(xùn)練法的實驗結(jié)果
5.6.5 交替訓(xùn)練法的實驗結(jié)果
5.7 本章小結(jié)
第6章知識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 知識圖譜牽引力的討論
6.4 性能驗證
6.4.1 數(shù)據(jù)集
6.4.2 基準方法
6.4.3 實驗準備工作
6.4.4 向外傳播法的實驗結(jié)果
6.4.5 向內(nèi)聚合法的實驗結(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
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
攻讀學(xué)位期間參與的項目