机读格式显示(MARC)
- 010 __ |a 978-7-111-63573-4 |d CNY89.00
- 099 __ |a CAL 012019146206
- 100 __ |a 20191106d2019 em y0chiy50 ea
- 200 1_ |a 统计推荐系统 |A tong ji tui jian xi tong |f (美) 迪帕克·K. 阿加瓦尔, 陈必衷著 |d = Statistical methods for recommendation systems |f Deepak K. Agarwal, Bee-Chung Chen |g 戴薇, 潘微科, 明仲译 |z eng
- 210 __ |a 北京 |c 机械工业出版社 |d 2019
- 215 __ |a 220页 |c 图 |d 26cm
- 225 2_ |a 计算机科学丛书 |A ji suan ji ke xue cong shu
- 306 __ |a 由剑桥大学出版社与机械工业出版社合作出版
- 314 __ |a 迪帕克·K. 阿加瓦尔(Deepak K. Agarwal)，LinkedIn公司副总裁，领导人工智能/机器学习团队的研发工作。之前曾任Yahoo!研究院研究主管和首席研究员，以及AT&T公司研究员。陈必衷(Bee-Chung Chen)，LinkedIn公司首席主任工程师、应用研究员，曾任Yahoo!研究院研究员。作为核心开发者，他为LinkedIn和Yahoo!设计了前沿的推荐算法，此外，他还关注数据挖掘、机器学习和大数据分析技术。戴薇，深圳大学计算机与软件学院研究生，主要研究方向为迁移学习、推荐系统和机器学习。潘微科，深圳大学计算机与软件学院副教授，主要研究方向为迁移学习和推荐系统。明仲，深圳大学计算机与软件学院院长、教授，大数据系统计算技术国家工程实验室执行主任，主要研究方向为人工智能、软件工程和推荐系统。
- 320 __ |a 有书目 (第199-204页) 和索引
- 330 __ |a 全书分为三部分：第一部分介绍推荐系统的组成、经典推荐方法及评估方法，并引出了探索与利用问题；第二部分围绕点击通过率（CTR）预估这一重要问题，重点介绍快速在线双线性因子模型和面向回归的隐因子模型，为热门推荐和个性化推荐提供解决方案；第三部分讨论进阶主题，涵盖分解的隐含狄利克雷分布模型、张量分解模型、层次收缩模型以及多目标优化方法。
- 410 _0 |1 2001 |a 计算机科学丛书
- 500 10 |a Statistical methods for recommendation systems |m Chinese
- 606 0_ |a 统计程序 |A tong ji cheng xu
- 701 _1 |a 阿加瓦尔 |A a jia wa er |g (Agarwal, Deepak K.) |4 著
- 701 _0 |a 陈必衷 |A chen bi zhong |g (Chen, Bee-Chung) |4 著
- 702 _0 |a 戴薇 |A dai wei |4 译
- 702 _0 |a 潘微科 |A pan wei ke |4 译
- 702 _0 |a 明仲 |A ming zhong |4 译
- 801 _0 |a CN |b NEU |c 20191106
- 905 __ |a SCNU |f TP319/0632