Cantitate/Preț
Produs
Total produse
Vezi coșul
Statistical Methods for Recommender Systems de Deepak K. Agarwal

Statistical Methods for Recommender Systems

Autor Deepak K. Agarwal, Bee-Chung Chen
en Limba Engleză Hardback – 23 feb 2016

Actualizarea majoră pe care o aduce Statistical Methods for Recommender Systems în peisajul literaturii de specialitate constă în integrarea riguroasă a metodelor statistice cu infrastructura de calcul modernă, trecând dincolo de algoritmii clasici de filtrare colaborativă. Reținem faptul că această lucrare nu se limitează la teorie, ci pune un accent deosebit pe rezolvarea problemelor de date rare și pe colectarea informațiilor prin design-uri secvențiale, aspecte critice în sistemele de recomandare de mari dimensiuni.

Abordarea diferă de Recommender Systems de Charu C. Aggarwal prin faptul că este mai puțin abstractă și mult mai aplicabilă în mediile de producție enterprise. În timp ce Aggarwal oferă o sinteză vastă a domeniului, Deepak K. Agarwal și Bee-Chung Chen se concentrează pe mecanismele specifice de „explore/exploit” și pe implementarea scalabilă folosind MapReduce, trăgând învățăminte directe din experiența lor la Yahoo! și LinkedIn.

Structura volumului este organizată progresiv în trei părți fundamentale. Începem cu o introducere în metodele clasice și metricile de evaluare, urmată de o secțiune dedicată arhitecturilor de sistem și personalizării prin modele de regresie și factorizare. Ultima parte explorează subiecte avansate, precum alocarea Latent Dirichlet (LDA) și recomandările dependente de context. Această progresie ne indică o acoperire completă a fluxului de lucru, de la designul algoritmului până la optimizarea pentru obiective multiple, totul fiind susținut de o rigoare statistică rar întâlnită în manualele pur tehnice.

Citește tot Restrânge

Preț: 36919 lei

Preț vechi: 46148 lei
-20%

Puncte Express: 554

Carte tipărită la comandă

Livrare economică 17 iunie-01 iulie

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781107036079
ISBN-10: 1107036070
Pagini: 298
Ilustrații: 66 b/w illus. 18 tables
Dimensiuni: 157 x 235 x 20 mm
Greutate: 0.54 kg
Editura: Cambridge University Press
Colecția Cambridge University Press
Locul publicării:New York, United States

De ce să citești această carte

Recomandăm această carte profesioniștilor care doresc să înțeleagă fundamentul statistic din spatele algoritmilor de recomandare. Cititorul câștigă o perspectivă practică asupra modului în care se gestionează datele masive și rare, învățând să construiască sisteme care nu doar prezic preferințe, ci și colectează date în mod inteligent. Este resursa ideală pentru a trece de la prototipuri simple la sisteme scalabile de nivel industrial.

Despre autor

Deepak K. Agarwal este un analist de date masive cu peste cincisprezece ani de experiență în dezvoltarea și implementarea metodelor de învățare automată pentru aplicații web complexe. Expertiza sa se concentrează pe relevanța conținutului și publicitatea computațională, fiind recunoscut pentru soluțiile aduse problemelor de „big data”. Este membru ales al American Statistical Association și editor asociat pentru două publicații de prestigiu în statistică. Împreună cu Bee-Chung Chen, a modelat arhitecturile de recomandare pentru giganți tehnologici, aducând în acest volum o perspectivă unică din interiorul industriei.

Cuprins

Part I. Introduction: 1. Introduction; 2. Classical methods; 3. Explore/exploit for recommender problems; 4. Evaluation methods; Part II. Common Problem Settings: 5. Problem settings and system architecture; 6. Most-popular recommendation; 7. Personalization through feature-based regression; 8. Personalization through factor models; Part III. Advanced Topics: 9. Factorization through latent dirichlet allocation; 10. Context-dependent recommendation; 11. Multi-objective optimization.

Recenzii

'This book provides a comprehensive guide to state-of-the-art statistical techniques that are used to power recommender systems. … The text is authoritative and well written, with the authors drawing on their extensive experience of researching, implementing and evaluating real-world recommender systems. The book considers the underlying mathematics of the techniques it describes and, as such, is aimed at a readership with a strong background in statistics and cognate subjects. However, while readers without such a background are likely to find the mathematics somewhat challenging, the prose descriptions are highly readable and enable readers to understand the key principles and ideas which underpin the various approaches. This book should be of interest to those involved with recommender systems as well as to those with a broader interest in machine learning.' Patrick Hill, BCS: The Chartered Institute for IT (www.bcs.org)

Descriere

Designing algorithms to recommend items such as news articles and movies to users is a challenging task in numerous web applications. The crux of the problem is to rank items based on users' responses to different items to optimize for multiple objectives. Major technical challenges are high dimensional prediction with sparse data and constructing high dimensional sequential designs to collect data for user modeling and system design. This comprehensive treatment of the statistical issues that arise in recommender systems includes detailed, in-depth discussions of current state-of-the-art methods such as adaptive sequential designs (multi-armed bandit methods), bilinear random-effects models (matrix factorization) and scalable model fitting using modern computing paradigms like MapReduce. The authors draw upon their vast experience working with such large-scale systems at Yahoo! and LinkedIn, and bridge the gap between theory and practice by illustrating complex concepts with examples from applications they are directly involved with.