買這商品的人也買了...
-
深度學習 (Deep Learning)(繁體中文版)$1,200$1,020 -
Python Web 開發案例教程 — 使用 Flask、Tornado、Django (慕課版)$359$341 -
深度學習： 邁向 Meta Learning$880$748 -
產品思維從新手到資深產品經理$359$341 -
知識圖譜實戰$594$564 -
約耳再談軟體 (More Joel on Software)$580$493 -
$509YOLO 目標檢測 -
$505LangChain 入門指南：構建高可復用、可擴展的 LLM 應用程序 -
Llama 大模型實踐指南$474$450 -
AI 時代 Math 元年 : 用 Python 全精通矩陣及線性代數$1,280$1,011 -
PyTorch語音識別實戰$414$393 -
$536網絡安全等級保護安全設計技術要求（通用要求部分）應用指南 -
$454LangChain 實戰：從原型到生產，動手打造 LLM 應用 -
$607大語言模型：原理與工程實踐 -
$439深度學習與神經網絡 -
GPT5 新時代 - 多模態深度學習精實操練$680$537 -
新範式來臨 - 用 PyTorch 了解 LLM 開發微調 ChatGLM 全過程$980$774 -
$305網絡安全與管理（微課視頻版） -
AI 神助攻！程式設計新境界 – GitHub Copilot 開發 Python 如虎添翼 : 提示工程、問題分解、測試案例、除錯$560$442 -
$408LangChain 簡明講義：從0到1建構 LLM 應用程式 -
產品經理方法論 — 構建完整的產品知識體系, 2/e$539$512 -
新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型$750$593 -
$602Power BI 數據可視化指南：讓數據鮮活與可定製的視覺設計 (Charticulator篇) -
知識圖譜從0到1：原理與 Python 實戰$594$564 -
資深 PM 的十堂產品煉金術：從面試到 AI 應用的全方位指南，外商思維 x 台企實戰教你從0到1打造爆款產品（iThome鐵人賽系列書）$650$507
相關主題
商品描述
本書分為兩篇：圖數據與圖模型(第1～3章)、推薦系統(第4～9章)。
第1章主要介紹圖數據的基礎知識，幫助讀者理解數據結構中圖的概念以及圖數據結構的表示。
第2章主要介紹神經網絡的基礎知識。
第3章主要介紹知識圖譜的基礎知識。
第4章主要介紹推薦系統的架構。
推薦系統是一種信息過濾技術，旨在為用戶提供個性化的推薦內容，幫助用戶發現感興趣的物品或資源。
推薦系統的核心目標是根據用戶的偏好和行為，預測和推薦用戶可能感興趣的物品。
第5章和第6章主要介紹構建基於GNN的推薦系統的基礎知識，以及利用圖數據進行推薦的算法。
第7章對知識圖譜在推薦系統中的應用展開講解。
第8章和第9章介紹推薦系統的熱點問題、研究方向，以及實踐案例。
目錄大綱
推薦序一
推薦序二
推薦序三
前言
第一篇圖資料與圖模型
第1章圖資料基礎
1.1 數學基礎
1.2 圖的基本知識
1.2.1 什麼是圖
1.2.2 圖中基本元素及定義
1.3 圖的表示方法
1.3.1 圖的代數表示
1.3.2 圖的遍歷
1.4 圖資料及圖神經網路
1.4.1 圖資料的性質
1.4.2 圖資料應用
1.4.3 圖神經網路的發展史
1.5 本章小結
第2章圖神經網路基礎
2.1 神經網路的基本知識
2.1.1 神經元
2.1.2 前饋神經網路
2.1.3 反向傳播
2.2 卷積神經網路
2.2.1 卷積神經網路基本概念與特性
2.2.2 卷積神經網路模型
2.3 循環神經網路
2.3.1 循環神經網路結構與特性
2.3.2 循環神經網路模型
2.4 圖神經網路
2.4.1 圖神經網路綜述
2.4.2 卷積圖神經網路
2.4.3 循環圖神經網路
2.5 本章小結
第3章知識圖譜基礎
3.1 知識圖譜的定義與模型
3.1.1 知識圖譜定義
3.1.2 知識圖譜嵌入
3.1.3 距離轉換模型
3.1.4 語意配對模型
3.2 知識圖譜上的神經網路
3.2.1 關係圖卷積網路
3.2.2 知識圖譜與注意力模型
3.3 本章小結
第二篇推薦系統
第4章推薦系統架構
4.1 推薦系統的邏輯架構
4.2 推薦系統的技術架構
4.3 推薦系統的資料與模型部分
4.3.1 推薦系統中的資料平台建置
4.3.2 推薦系統中的資料探勘方法
4.3.3 推薦系統模型
4.4 推薦系統的評估
4.4.1 推薦系統的評估實驗方法
4.4.2 離線評估
4.4.3 線上評估
4.5 基於GNN的推薦系統架構
4.6 本章小結
第5章基於GNN的推薦系統建構基礎
5.1 關於嵌入
5.2 Word2Vec
5.2.1 哈夫曼樹與哈夫曼編碼
5.2.2 基於Hierarchical Softmax的CBOW模型
5.2.3 基於Hierarchical Softmax的Skip -gram模型
5.3 Item2Vec
5.4 圖嵌入
5.4.1 DeepWalk演算法
5.4.2 Line演算法
5.4.3 Node2Vec演算法
5.5 本章小結
第6章基於圖的推薦演算法
6.1 基於圖的召回演算法
6.1.1 從協同過濾到GCMC
6.1. 2 召回階段的深度學習演算法
6.1.3 圖召回的方法
6.2 基於圖的排序演算法
6.2.1 基於特徵交互作用建模－GraphFM模型
6.2.2 基於顯式關係建模GMT模型
6.3 本章小結
第7章知識圖譜與推薦系統
7.1 利用圖譜建模
7.1.1 RippleNet模型
7.1.2 KGAT模型
7.2 圖譜建模與物品推薦關聯學習
7.2.1 KTUP模型
7.2.2 MKR模型
7.3 物品增強學習
7.3.1 DKN模型
7.3.2 KRED模型
7.4 增強可解釋性
7.4.1 KPRN模型
7.4.2 PGPR模型
7.5 本章小結
第8章推薦系統的熱點問題與研究方向
8.1 建議系統的熱點問題
8.1.1 多源資料融合
8.1.2 冷啟動
8.1.3 可解釋性
8.1.4 探索與利用
8.1.5 繭房效應
8.1.6 使用者隱私
8.1.7 評估問題
8.2 推薦系統研究方向
8.2.1 推薦中的圖神經網路
8.2.2 推薦中的強化學習
8.2.3 因果推薦
8.3 本章小結
第9章推薦系統實踐
9.1 工業級系統架構
9.1.1 工業級推薦系統的特性
9.1.2 推薦系統的常見架構
9.1.3 工業級基於圖神經網路的推薦系統
9.2 工業級推薦系統問題及解決方法
9.2.1 冷啟動問題及解決方法
9.2. 2 模型問題及解決方案
9.3 工業級推薦系統成長方案
9.3.1 召回
9.3.2 排序
9.4 本章小結
