因子分解機模型因為能夠有效解決高維數據特征組合的稀疏問題且具有較高的預測準確度和計算效率，在廣告點擊率預測和推薦系統領域被廣泛研究和應用。本書對因子分解機模型及其相關模型的研究進展進行綜述，闡述該模型的靈活性和普適性，對模型中有待深入研究的難點、熱點及發展趨勢進行展望。結合研究成果，進一步對該模型進行擴展，并將此擴展后的模型應用于時尚電商領域的推薦任務。提出大數據環境下時尚電商推薦系統框架、研究內容、關鍵問題，以及可以采用的相關技術，最后通過一個實例驗證方案的可行性。
目 錄
前言
第1章 緒論 1
1.1 預測和推薦問題描述 1
1.2 研究意義 3
1.3 國內外研究現狀及發展動態 4
1.3.1 數據稀疏性和冷啟動問題 5
1.3.2 用戶偏好和物品流行度動態建模 6
1.3.3 大數據處理和模型的擴展性 7
1.3.4 多樣性和準確性平衡問題 8
1.4 本書組織結構 9
第2章 FM模型及其擴展 12
2.1 邏輯回歸模型 12
2.2 基于因子分解的多項式回歸模型 13
2.3 FM模型 14
2.4 FM模型與矩陣分解模型的轉化 15
2.4.1 矩陣分解模型 15
2.4.2 FM模型轉化為矩陣分解模型 16
2.5 FM模型的高階擴展 17
2.6 FM模型的場交互擴展 18
2.7 FM模型的層次交互擴展 19
2.8 FM模型與其他模型的集成 20
2.9 本章小結 22
笫3章 特征工程及其對FM模型的影響 23
3.1 屬性、特征、特征向量和數據集 23
3.2 特征工程 24
3.3 特征的來源 25
3.4 FM模型相關研究中的特征工程 27
3.5 FM模型的應用領域 30
3.6 本章小結 32
第4章 模型訓練方法 33
4.1 預測和推薦模型的目標優化 33
4.2 模型訓練方式 34
4.2.1 擬牛頓法 34
4.2.2 SGD系列算法 35
4.2.3 Gibbs采樣算法 37
4.3 激活函數 38
4.4 過擬合問題 39
4.4.1 正則化方式 40
4.4.2 批規范化 41
4.4.3 Dropout及相關優化方法 42
4.5 本章小結 44
第5章 智能化場感知分解機 45
5.1 算法改進思路 45
5.2 iFFM模型 46
5.3 多樣性處理 48
5.3.1 熱擴散算法 48
5.3.2 兩個模型的集成 50
5.4 實驗結果與分析 50
5.4.1 實驗環境 50
5.4.2 實驗結果 51
5.5 本章小結 54
第6章 廣義場感知分解機 55
6.1 模型改進思路 55
6.2 咐間因子 57
6.3 動態模型構建 58
6.4 GFFM模型評價 60
6.4.1 實驗設置 60
6.4.2 實驗結果及分析 62
6.5 本章小結 64
第7章 FM模型與深度學習模型的集成 65
7.1 FNN模型 65
7.2 Wide&Deep模型 66
7.3 Deep&Cross模型 67
7.4 DeepFM模型 68
7.5 NFM與AFM模型 68
7.6 寬度和深度學習模型集成方式分析 69
7.7 本章小結 70
第8章 基于稠密網絡的廣義場感知分解機 71
8.1 ResNet和DenseNet 71
8.2 DGFFM模型 73
8.2.1 Wide&Deep結構 73
8.2.2 FNN結構 74
8.3 DGFFM模型評價 75
8.3.1 實驗設置 75
8.3.2 實驗結果及分析 75
8.4 本章小結 76
第9章 FM模型實現庫及并行化處理 77
9.1 libFM 一 77
9.1.1 libFM中核心類之間的關系 77
9.1.2 fm一learn類代碼解析 78
9.2 FM的其他實現庫 83
9.2.1 libFFM 83
9.2.2 fastFM 83
9.3 FM模型的其他優化方法 83
9.4 FM模型的并行實現 84
9.5 本章小結 87
第10章 時尚電商領域的推薦系統研究 88
10.1 深度學習為時尚推薦研究帶來新思路 88
10.2 大數據環境下時尚電商推薦系統框架及面臨的問題 89
10.3 融合視覺特征的推薦系統研究內容 90
10.3.1 融合非視覺屬性與視覺特征及其時空動態性的推薦模型研究 91
10.3.2 面向大規模數據的并行化模型訓練算法與技術研究 92
10.3.3 在線推薦引擎研究 92
10.4 關鍵問題 93
10.4.1 基于視覺特征的時空動態建模 93
10.4.2 模型訓練的優化問題 93
10.4.3 推薦引擎的實時處理 93
10.5 相關技術 94
10.5.1 基于深度卷積神經網絡的視覺特征提取方法 94
10.5.2 基于iFFM模型的非視覺屬性建模 95
10.5.3 基于VBPR的視覺特征建模 96
10.5.4 基于馬爾可夫鏈的時間序列預測 96
10.5.5 基于SGD算法的模型訓練方法 97
10.5.6 基于TensorFlow的并行算法實現 98
10.6 本章小結 98
第11章 一個N-階段購買決策模型 100
11.1 研究背景 100
11.2 特征處理與Wide&Deep plus框架 101
11.3 NSPD模型及其優化 102
11.4 實驗與結果評價 105
11.4.1 數據集 105
11.4.2 評價指標 106
11.4.3 算法實現 106
11.4.4 實驗結果 106
11.5 本章小結 108
參考文獻 109
新書資訊