《机器学习 因子分解机模型与推荐系统》PDF下载

  • 购买积分:8 如何计算积分?
  • 作  者:燕彩蓉,潘乔编著
  • 出 版 社:北京:科学出版社
  • 出版年份:2019
  • ISBN:9787030601452
  • 页数:116 页
图书介绍:本书通过比较因子分解机(FM)模型与其他模型之间的关联关系,阐述FM模型的灵活性和普适性;从特征的高阶交互、特征的场交互、特征的分层交互,以及基于特征工程的特征提取、合并、智能选择和提升等角度总结模型在宽度扩展方面的方法、策略和关键技术;比较和分析了FM模型与其他模型的集成方式和特点,尤其是与深度学习模型的集成,为传统模型的深度扩展提供了思路;同时对FM模型的优化学习方法和基于不同并行与分布式计算框架的实现进行概括、比较和分析;最后,对FM模型中有待深入研究的难点、热点及发展趋势进行展望。针对FM对所有特征进行交互造成不必要资源浪费的问题,从特征工程和算法两方面对它提出改进,建立智能化场感知分解机模型iFFM。iFFM在提高准确度的同时,在一定程度上节省了模型的训练时间。

第1章 绪论 1

1.1 预测和推荐问题描述 1

1.2 研究意义 3

1.3 国内外研究现状及发展动态 4

1.3.1 数据稀疏性和冷启动问题 5

1.3.2 用户偏好和物品流行度动态建模 6

1.3.3 大数据处理和模型的扩展性 7

1.3.4 多样性和准确性平衡问题 8

1.4 本书组织结构 9

第2章 FM模型及其扩展 12

2.1 逻辑回归模型 12

2.2 基于因子分解的多项式回归模型 13

2.3 FM模型 14

2.4 FM模型与矩阵分解模型的转化 15

2.4.1 矩阵分解模型 15

2.4.2 FM模型转化为矩阵分解模型 16

2.5 FM模型的高阶扩展 17

2.6 FM模型的场交互扩展 18

2.7 FM模型的层次交互扩展 19

2.8 FM模型与其他模型的集成 20

2.9 本章小结 22

第3章 特征工程及其对FM模型的影响 23

3.1 属性、特征、特征向量和数据集 23

3.2 特征工程 24

3.3 特征的来源 25

3.4 FM模型相关研究中的特征工程 27

3.5 FM模型的应用领域 30

3.6 本章小结 32

第4章 模型训练方法 33

4.1 预测和推荐模型的目标优化 33

4.2 模型训练方式 34

4.2.1 拟牛顿法 34

4.2.2 SGD系列算法 35

4.2.3 Gibbs采样算法 37

4.3 激活函数 38

4.4 过拟合问题 39

4.4.1 正则化方式 40

4.4.2 批规范化 41

4.4.3 Dropout及相关优化方法 42

4.5 本章小结 44

第5章 智能化场感知分解机 45

5.1 算法改进思路 45

5.2 iFFM模型 46

5.3 多样性处理 48

5.3.1 热扩散算法 48

5.3.2 两个模型的集成 50

5.4 实验结果与分析 50

5.4.1 实验环境 50

5.4.2 实验结果 51

5.5 本章小结 54

第6章 广义场感知分解机 55

6.1 模型改进思路 55

6.2 时间因子 57

6.3 动态模型构建 58

6.4 GFFM模型评价 60

6.4.1 实验设置 60

6.4.2 实验结果及分析 62

6.5 本章小结 64

第7章 FM模型与深度学习模型的集成 65

7.1 FNN模型 65

7.2 Wide&Deep模型 66

7.3 Deep&Cross模型 67

7.4 DeepFM模型 68

7.5 NFM与AFM模型 68

7.6 宽度和深度学习模型集成方式分析 69

7.7 本章小结 70

第8章 基于稠密网络的广义场感知分解机 71

8.1 ResNet和DenseNet 71

8.2 DGFFM模型 73

8.2.1 Wide&Deep结构 73

8.2.2 FNN结构 74

8.3 DGFFM模型评价 75

8.3.1 实验设置 75

8.3.2 实验结果及分析 75

8.4 本章小结 76

第9章 FM模型实现库及并行化处理 77

9.1 libFM 77

9.1.1 libFM中核心类之间的关系 77

9.1.2 fm leam类代码解析 78

9.2 FM的其他实现库 83

9.2.1 libFFM 83

9.2.2 fastFM 83

9.3 FM模型的其他优化方法 83

9.4 FM模型的并行实现 84

9.5 本章小结 87

第10章 时尚电商领域的推荐系统研究 88

10.1 深度学习为时尚推荐研究带来新思路 88

10.2 大数据环境下时尚电商推荐系统框架及面临的问题 89

10.3 融合视觉特征的推荐系统研究内容 90

10.3.1 融合非视觉属性与视觉特征及其时空动态性的推荐模型研究 91

10.3.2 面向大规模数据的并行化模型训练算法与技术研究 92

10.3.3 在线推荐引擎研究 92

10.4 关键问题 93

10.4.1 基于视觉特征的时空动态建模 93

10.4.2 模型训练的优化问题 93

10.4.3 推荐引擎的实时处理 93

10.5 相关技术 94

10.5.1 基于深度卷积神经网络的视觉特征提取方法 94

10.5.2 基于iFFM模型的非视觉属性建模 95

10.5.3 基于VBPR的视觉特征建模 96

10.5.4 基于马尔可夫链的时间序列预测 96

10.5.5 基于SGD算法的模型训练方法 97

10.5.6 基于TensorFlow的并行算法实现 98

10.6 本章小结 98

第11章 一个N-阶段购买决策模型 100

11.1 研究背景 100

11.2 特征处理与Wide&Deep plus框架 101

11.3 NSPD模型及其优化 102

11.4 实验与结果评价 105

11.4.1 数据集 105

11.4.2 评价指标 106

11.4.3 算法实现 106

11.4.4 实验结果 106

11.5 本章小结 108

参考文献 109