123,123

內(nèi)容簡(jiǎn)介

　　本書(shū)介紹了解決信息過(guò)載問(wèn)題常用的兩種技術(shù)：引擎和搜索引擎。為了有效提高和搜索的度，融合多源異構(gòu)數(shù)據(jù)成為重要手段，不同來(lái)源和不同結(jié)構(gòu)的數(shù)據(jù)含有不同的語(yǔ)義信息，數(shù)據(jù)的融合為和搜索提供了豐富的語(yǔ)義，有效提高了推薦和檢索的度。本書(shū)基于作者團(tuán)隊(duì)多年的研究成果，介紹了推薦和檢索領(lǐng)域的發(fā)展、常用的技術(shù)和算法，提出了融合多源異構(gòu)數(shù)據(jù)的模型、跨模態(tài)的檢索模型。本書(shū)的內(nèi)容反映了本領(lǐng)域的發(fā)展。本書(shū)可供研究融合多源異構(gòu)數(shù)據(jù)技術(shù)、個(gè)性化推薦技術(shù)、跨模態(tài)檢索技術(shù)的科研人員、公司研發(fā)人員、高等院校研究生閱讀參考。

作者簡(jiǎn)介

暫缺《融合多源異構(gòu)數(shù)據(jù)的推薦與檢索》作者簡(jiǎn)介

圖書(shū)目錄

第1章緒論
1.1 與檢索
1.1.1
1.1.2 檢索
1.2 多源異構(gòu)數(shù)據(jù)融合的優(yōu)勢(shì)與挑戰(zhàn)
1.2.1 基于的多源異構(gòu)數(shù)據(jù)融合的優(yōu)勢(shì)與挑戰(zhàn)
1.2.2 基于檢索的多源異構(gòu)數(shù)據(jù)融合的優(yōu)勢(shì)與挑戰(zhàn)
1.3 本章小結(jié)
第2章與檢索技術(shù)
2.1 技術(shù)
2.1.1 基于內(nèi)容的
2.1.2 協(xié)同過(guò)濾
2.1.3 基于深度學(xué)習(xí)的
2.1.4 系統(tǒng)評(píng)價(jià)指標(biāo)
2.1.5 基于評(píng)測(cè)方法的評(píng)價(jià)指標(biāo)
2.2 檢索技術(shù)
2.2.1 基于文本的檢索
2.2.2 基于內(nèi)容的檢索
2.2.3 基于語(yǔ)義的檢索
2.2.4 基于上下文的檢索
2.2.5 基于示例的檢索
2.2.6 多模態(tài)跨模態(tài)檢索
2.2.7 個(gè)性化檢索
2.3 本章小結(jié)
第3章個(gè)性化推薦與檢索
3.1 基于內(nèi)容的個(gè)性化圖像與檢索
3.1.1 用戶興趣獲取
3.1.2 用戶興趣表示
3.1.3 個(gè)性化實(shí)現(xiàn)
3.2 基于協(xié)同過(guò)濾的個(gè)性化圖像與檢索
3.2.1 基于用戶的協(xié)同過(guò)濾
3.2.2 基于物品的協(xié)同過(guò)濾
3.2.3 基于模型的協(xié)同過(guò)濾
3.3 個(gè)性化圖像與檢索方法對(duì)比
3.4 本章小結(jié)
第4章基于傳統(tǒng)機(jī)器學(xué)習(xí)的多源異構(gòu)數(shù)據(jù)推薦模型
4.1 問(wèn)題描述
4.2 相關(guān)算法
4.2.1 Word2Vector
4. 2.2 Online LDA
4.2.3 CNM
4.2.4 CoDA
4.3 流程
4.4 模型
4.4.1 評(píng)論特征提取
4.4.2 社區(qū)發(fā)現(xiàn)
4.4.3 模型訓(xùn)練
4.4.4 特征混合
4.4.5 預(yù)測(cè)和評(píng)價(jià)
4.5 Spark實(shí)現(xiàn)