同类推荐
-
-
Python大模型优化策略:理论与实践
-
¥149.00
-
-
Python大模型优化策略:理论与实践
-
¥149.00
-
-
Python大模型优化策略:理论与实践
-
¥149.00
-
-
Unity数字孪生开发入门与实战
-
¥59.00
-
-
功能游戏概论
-
¥69.00
-
-
网络互联技术:理论篇
-
¥59.80
-
-
剪映+AI:爆款短视频文案/素材/剪辑/特效一本通
-
¥49.90
-
-
域渗透实战指南
-
¥79.80
-
-
Python大模型应用开发:核心技术与项目实战
-
¥99.00
-
-
FPGA原理与应用
-
¥69.00
|
|
图书信息
|
|
|
|
多源信息增强的序列推荐方法研究
|
| ISBN： | 9787566741240 |
定价： | ￥39.00 |
| 作者： | 陈皖玉等著 |
出版社： | 湖南大学出版社 |
| 出版时间： | 2025年04月 |
开本： | 24cm |
| 页数： | 39页 |
中图法： | TP391.3 |
相关供货商
|
供货商名称
|
库存量
|
库区
|
更新日期
|
|
|
|
|
|
|
其它供货商库存合计
|
255
|
|
2025-08-20
|
图书简介 | | 传统的推荐系统，包括基于内容和协同过滤的推荐，都是以静态的方式对用户-物品交互进行建模，并且只能捕获用户的一般偏好。然而在许多实际场景中，随着时间的推移，用户的偏好和物品的受欢迎程度都是动态变化的。序列推荐将用户之前的顺序交互作为背景，试图理解和建模用户序列行为、用户和物品之间的交互，以及用户偏好随时间的演变，从而更精确地描述用户意图，产生更准确、个性化和动态的推荐信息。基于此，本书主要介绍如何利用多源信息增强的方法，丰富序列推荐模型的学习监督信号，通过分析用户短期会话行为间的结构化信息，物品属性信息、序列行为属性信息、用户长短期序列行为关联信息、用户社交网络信息等，增强模型对用户当前意图感知的准确性，提高序列推荐效果。 |
|