首页 > 图书中心 >图书详情

个性化推荐的可解释性研究

前沿性、系统性、可读性 深入专题研究领域的阶梯 进入交叉学科的桥梁 启迪研发创新的源泉

作者:张永锋
定价:99
印次:1-1
ISBN:9787302531968
出版日期:2019.08.01
印刷日期:2019.08.08

个性化推荐技术已经成为互联网应用的基础技术之一,它广泛应用于电子商务、搜索引擎、社会网络、新闻阅读等互联网服务中,成为用户获得信息的重要途径之一。本文以个性化推荐的可解释性为主题,在数据、模型和经济效益三个层面上展开探讨。在数据上,个性化推荐的评分矩阵可以等价描述为用户-物品二部图上的社区发现结构;在模型上,个性化算法可以给出与推荐模型紧密相关的个性化推荐理由;在经济效益上,个性化推荐可以作为互联网商品服务资源分配的基本手段,实现互联网社会福利的最大化,从而提高互联网经济系统的效益。

more >

个性化推荐技术已经成为互联网应用的基础技术之一,它广泛应用于电子商务、搜索引擎、社会网络、新闻阅读等互联网服务中,成为用户获得信息的重要途径之一。通过个性化推荐,用户可以更为便捷地访问自己可能感兴趣的物品,从而获得更好的体验。 一直以来,个性化推荐的研究主要集中在如何为用户给出恰当的推荐结果,而较少关注为什么算法会给出这样的结果,因此难以向用户给出具有说服力的、与算法一致的推荐理由。这就自然地引出了个性化推荐系统的可解释性问题。通过理解为什么系统会给出特定的推荐,就能在为用户提供个性化推荐理由的同时,提高系统和算法的透明度、可靠性、有效性,并最终提高用户的满意度。 本书以个性化推荐的可解释性这一新的研究课题为主线,在数据、模型和经济效益三个层面上展开了深入的探讨。在数据上,个性化推荐的评分矩阵可以等价描述为用户 -物品二部图上的社区发现结构;在模型上,个性化算法可以给出与推荐模型紧密相关的个性化推荐理由;在经济效益上,个性化推荐可以作为互联网商品服务资源分配的基本手段,实现互联网社会福利的最大化,从而提高互联网经济系统的效益。 因此,本书不仅仅是张永锋博士学位论文工作中精华的整理,同时还为我们揭示了一个新的、有趣的、有挑战性又具有可行性的研究课题:融合经济学与计算机科学的个性化推荐。随着互联网经济系统的迅速发展,个性化推荐系统不再仅仅为用户提供感兴趣的商品或服务推荐,而更是网络资源分配的基本手段之一。经济学是一个古老的研究课题,数个世纪以来已经积累了成熟的研究成果和理论,而计算机科学相对而言是一个新兴且快速发展的学科,并在方方面面深入影响着我们的日常生活,在互联网领域尤其如此。丰富的用户行为记录、广泛存在的大数据,以及不断发展的机器学习技术,使得将互联网经济系统与个性化推荐有机地结合成为可能,从而为我们展现出未来巨大的研究空间。 马少平 2018年 7月 25日于北京清华园

more >
扫描二维码
下载APP了解更多

同系列产品more >

大规模图数据的高效计算关键技术研...

章明星
定 价:89元

查看详情
考虑用户心理因素的个性化推荐方法...

贺江宁
定 价:79元

查看详情
真空中金属丝电爆炸沿面击穿及其抑...

石桓通
定 价:69元

查看详情
非结构网格紧致高精度有限体积方法

王乾
定 价:89元

查看详情
水平轴风机的新型变桨原理与气动性能...

谢炜
定 价:89元

查看详情
图书分类全部图书
more >
  • “清华大学优秀博士学位论文丛书”(以下简称“优博丛书”)精选自2014年以来入选的清华大学校级优秀博士学位论文(Top 5%)。每篇论文经作者进一步修改、充实并增加导师序言后,以专著形式呈现在读者面前。“优博丛书”选题范围涉及自然科学和人文社会科学各主要领域,覆盖清华大学开设的全部一级学科,代表了清华大学各学科最优秀的博士学位论文的水平,反映了相关领域最新的科研进展,具有较强的前沿性、系统性和可读性,是广大博硕士研究生开题及撰写学位论文的必备参考,也是科研人员快速和系统了解某一细分领域发展概况、最新进展以及创新思路的有效途径。
  • “清华大学优秀博士学位论文丛书”(以下简称“优博丛书”)精选自2014年以来入选的清华大学校级优秀博士学位论文(Top 5%)。每篇论文经作者进一步修改、充实并增加导师序言后,以专著形式呈现在读者面前。“优博丛书”选题范围涉及自然科学和人文社会科学各主要领域,覆盖清华大学开设的全部一级学科,代表了清华大学各学科最优秀的博士学位论文的水平,反映了相关领域最新的科研进展,具有较强的前沿性、系统性和可读性,是广大博硕士研究生开题及撰写学位论文的必备参考,也是科研人员快速和系统了解某一细分领域发展概况、最新进展以及创新思路的有效途径。
more >
  • 第 1章引言 .1

    1.1研究背景 1

    1.2问题的提出 .5

    1.3面临的主要挑战 6

    1.4主要贡献 9

    第 2章研究现状与相关工作 11

    2.1个性化推荐 . 11

    2.1.1基于内容的推荐 . 12

    2.1.2基于协同过滤的推荐 . 12

    2.1.3混合型推荐系统 . 15

    2.2矩阵分解 16

    2.3推荐的可解释性 19

    2.4文本情感分析 . 20

    2.5本章小结 21

    第 3章数据的可解释性 . 23

    3.1矩阵的群组结构 23

    3.1.1概述 23

    3.1.2相关工作 . 26

    3.1.3双边块对角矩阵及其性质 27

    3.1.4矩阵的双边块对角化算法 33

    3.1.5基于块对角阵的协同过滤 37

    3.2局部化矩阵分解算法 . 38

    3.2.1概述 39

    3.2.2相关工作 . 40

    3.2.3双边块对角矩阵的分解性质 . 41

    3.2.4近似矩阵分解算法及其可拆分性质 . 44

    3.2.5局部化矩阵分解框架 . 49

    3.2.6平衡矩阵块对角化算法 . 50

    3.3性能评测 53

    3.3.1双边块对角矩阵与群组结构的定性研究 53

    3.3.2局部化矩阵分解算法性能及预测精度 . 57

    3.4本章小结 64

    第 4章模型的可解释性 . 67

    4.1显式变量分解模型 . 67

    4...

精彩书评more >

标题

评论

版权所有(C)2019 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802013248号

联系我们 | 网站地图 | 法律声明 | 友情链接 | 盗版举报 | 人才招聘