دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Barbieri, Manco, Ritacco سری: Synthesis Lectures on Data Mining and Knowledge Discovery 9 ISBN (شابک) : 9781627052580 ناشر: Morgan & Claypool سال نشر: 2014 تعداد صفحات: 184 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 مگابایت
در صورت تبدیل فایل کتاب Probabilistic Approaches to Recommendations به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب رویکردهای احتمالی به توصیه ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
اهمیت سیستم های توصیه گر دقیق به طور گسترده توسط دانشگاه و صنعت شناخته شده است و توصیه به سرعت در حال تبدیل شدن به یکی از موفق ترین کاربردهای داده کاوی و یادگیری ماشین است. درک و پیشبینی انتخابها و ترجیحات کاربران یک کار چالش برانگیز است: سناریوهای دنیای واقعی شامل رفتار کاربران در موقعیتهای پیچیده است، جایی که باورهای قبلی، گرایشهای خاص و تأثیرات متقابل مشترکاً در تعیین اولویتهای کاربران نسبت به حجم عظیمی از اطلاعات، خدمات نقش دارند. ، و محصولات مدلسازی احتمالی یک چارچوب ریاضی رسمی قوی را برای مدلسازی این مفروضات و مطالعه تأثیرات آنها در فرآیند توصیه نشان میدهد. این کتاب با خلاصهای از مسئله توصیهها و چالشهای آن و مروری بر برخی تکنیکهای پرکاربرد شروع میشود. سپس، رویکردهای احتمالی را برای مدلسازی دادههای ترجیحی معرفی و مورد بحث قرار میدهیم. ما توجه خود را بر روشهای مبتنی بر عوامل پنهان، مانند مدلهای مخلوط، فاکتورسازی ماتریس احتمالی، و مدلهای موضوعی برای دادههای ترجیحی صریح و ضمنی متمرکز میکنیم. این روش ها نشان دهنده پیشرفت قابل توجهی در تحقیق و فناوری توصیه می باشد. مدلهای بهدستآمده به ما امکان میدهند الگوهای پیچیده در دادههای ترجیحی را شناسایی کنیم، که میتوان از آنها برای پیشبینی مؤثر خریدهای آینده استفاده کرد. پراکندگی شدید دادههای ترجیحی چالشهای جدی برای مدلسازی ترجیحات کاربر ایجاد میکند، بهویژه در مواردی که مشاهدات کمی در دسترس است. تکنیکهای استنتاج بیزی به زیبایی نیاز به منظمسازی را برطرف میکنند و ادغام آنها با مدلسازی عامل پنهان به افزایش عملکرد تکنیکهای اساسی کمک میکند. ما نقاط قوت و ضعف چندین رویکرد را با در نظر گرفتن دو دیدگاه ارزیابی متفاوت اما مرتبط، یعنی پیشبینی رتبهبندی و دقت توصیه خلاصه میکنیم. علاوه بر این، ما توضیح میدهیم که چگونه روشهای احتمالی مبتنی بر عوامل پنهان، بهرهبرداری از الگوهای ترجیحی را در برنامههای جدید فراتر از پیشبینی رتبهبندی یا دقت توصیهها امکانپذیر میسازد. ما در نهایت کاربرد تکنیکهای احتمالی را در دو سناریو اضافی مورد بحث قرار میدهیم که با در دسترس بودن اطلاعات جانبی علاوه بر دادههای ترجیحی مشخص میشود. به طور خلاصه، این کتاب رویکردهای احتمالی بیشمار توصیهها را دستهبندی میکند و دستورالعملهایی را برای اتخاذ آنها در موقعیتهای دنیای واقعی ارائه میکند.
The importance of accurate recommender systems has been widely recognized by academia and industry, and recommendation is rapidly becoming one of the most successful applications of data mining and machine learning. Understanding and predicting the choices and preferences of users is a challenging task: real-world scenarios involve users behaving in complex situations, where prior beliefs, specific tendencies, and reciprocal influences jointly contribute to determining the preferences of users toward huge amounts of information, services, and products. Probabilistic modeling represents a robust formal mathematical framework to model these assumptions and study their effects in the recommendation process. This book starts with a brief summary of the recommendation problem and its challenges and a review of some widely used techniques Next, we introduce and discuss probabilistic approaches for modeling preference data. We focus our attention on methods based on latent factors, such as mixture models, probabilistic matrix factorization, and topic models, for explicit and implicit preference data. These methods represent a significant advance in the research and technology of recommendation. The resulting models allow us to identify complex patterns in preference data, which can be exploited to predict future purchases effectively. The extreme sparsity of preference data poses serious challenges to the modeling of user preferences, especially in the cases where few observations are available. Bayesian inference techniques elegantly address the need for regularization, and their integration with latent factor modeling helps to boost the performances of the basic techniques. We summarize the strengths and weakness of several approaches by considering two different but related evaluation perspectives, namely, rating prediction and recommendation accuracy. Furthermore, we describe how probabilistic methods based on latent factors enable the exploitation of preference patterns in novel applications beyond rating prediction or recommendation accuracy. We finally discuss the application of probabilistic techniques in two additional scenarios, characterized by the availability of side information besides preference data. In summary, the book categorizes the myriad probabilistic approaches to recommendations and provides guidelines for their adoption in real-world situations.