三民網路書店 / 搜尋結果

本書利用PyTorch、神經網路、圖論、機器學習，知識圖譜等最新技術，做出最棒的推薦系統。 第1、2章幫大家建立基礎，第3章從第2章推導，入門推薦演算法及推導能力。第4章介紹熱門的圖神經網路在推薦演算法中的應用。第5章深入知識圖譜推薦演算法，專業度高且實用性強，掌握前4章知識的讀者容易學習。第6到8章介紹整個推薦系統、商業和推薦工程。建議在第3章後隨時閱讀，特別是第7章系統介紹推薦系統評估指標。可在範例程式基礎上改進並利用第7章指標實際評估推薦系統效果。 【本書看點】 ✪ 無痛學習推薦演算法 ✪ 結合深度學習的發展，可推導出進階推薦演算法 ✪ 結合圖神經網路進一步推導出推薦演算法 ✪ 了解圖神經網路且應用於推薦演算法 ✪ 了解整個推薦系統的詳細結構及基本做法 ✪ 了解推薦工程整體的生命週期 ✪ 3個重要演算法：近鄰協作過濾、ALS、FM 【適合讀者】 ☛ 從事推薦系統相關工作的工程師。 ☛ 對推薦系統有興趣的讀者。 ☛ 也可作為大專院校、研究機構的學習參考書

本書從理論結合實踐編程來學習推薦系統。由淺入深，先基礎後進階，先理論後實踐，先主流後推導。 第1章較為簡單，僅初步帶領大家瞭解什麼是推薦系統及推薦系統的簡史。第2章到第5章介紹的是主流的推薦算法及推薦算法的推導過程，這部分是本書的核心，每個算法都描述的非常詳細且有具體代碼幫助大家理解，深度學習的框架將採用PyTorch。第6章介紹的是商業及推薦系統的組成結構，第7章系統地介紹了推薦系統的評估指標及方式。第8章則介紹整個推薦工程的生命週期。第6～8章可隨時抽取出來提前看。本書配套示例代碼及微課視頻，幫助讀者快速入門推薦算法及系統。 本書可作為高等院校、科研機構或從事推薦系統工作的工程師的參考書籍，也可作為高年級本科生和研究生的學習參考書籍。