反馈文件质量
lgli/James Axler [Axler, James] - Deathlands 020 - Cold Asylum (1994, Worldwide).epub
Deathlands 020 - Cold Asylum 🔍
James Axler [Axler, James] Gold Eagle, Deathlands, No 20, March 1, 1994
中文 [zh] · 英语 [en] · EPUB · 0.3MB · 2012 · 📕 小说类图书 · 🚀/duxiu/lgli/zlib · Save
描述
Tracking rumors that could lead them to the long-lost Trader, Ryan Cawdor and his team of warrior survivalists find themselves unwilling houseguests at the opulent estate of the wealthy and perverse Baron Mandeville.
备用文件名
zlib/Crime, Thrillers & Mystery/Action & Adventure/James Axler [Axler, James]/Deathlands 020 - Cold Asylum_7248988.epub
备选标题
Recommendation System Practice (Chinese Edition)
备选标题
Death lands : cold asylum
备选标题
Cold Asylum (Deathlands)
备选标题
推荐系统实践
备选作者
项亮编著;陈义,王益审校
备选作者
Xiang Liang
备用出版商
The People's Posts and Telecommunications Publishing House
备用出版商
Posts and Telecom Press
备用出版商
Silhouette Books
备用出版商
Mills & Boon
备用出版商
北京:人民邮电出版社
备用出版商
Mira Books
备用出版商
Worldwide
备用版本
Deathlands, 1st ed, Toronto ; New York, ©1994
备用版本
United Kingdom and Ireland, United Kingdom
备用版本
Deathlands saga, 1st ed, Toronto, c1994
备用版本
Tu ling yuan chuang, Bei jing, 2012
备用版本
China, People's Republic, China
备用版本
Di 1 ban, Beijing, 2012
备用版本
pb, 1994-04-00
备用版本
0, PS, 2012
元数据中的注释
9600
元数据中的注释
Bookmarks: p1 (p1): 第1章 好的推荐系统
p2 (p1): 1.1 什么是推荐系统
p3 (p4): 1.2 个性化推荐系统的应用
p4 (p4): 1.2.1 电子商务
p5 (p8): 1.2.2 电影和视频网站
p6 (p10): 1.2.3 个性化音乐网络电台
p7 (p12): 1.2.4 社交网络
p8 (p15): 1.2.5 个性化阅读
p9 (p16): 1.2.6 基于位置的服务
p10 (p17): 1.2.7 个性化邮件
p11 (p18): 1.2.8 个性化广告
p12 (p19): 1.3 推荐系统评测
p13 (p20): 1.3.1 推荐系统实验方法
p14 (p23): 1.3.2 评测指标
p15 (p34): 1.3.3 评测维度
p16 (p35): 第2章 利用用户行为数据
p17 (p36): 2.1 用户行为数据简介
p18 (p39): 2.2 用户行为分析
p19 (p39): 2.2.1 用户活跃度和物品流行度的分布
p20 (p41): 2.2.2 用户活跃度和物品流行度的关系
p21 (p41): 2.3 实验设计和算法评测
p22 (p42): 2.3.1 数据集
p23 (p42): 2.3.2 实验设计
p24 (p42): 2.3.3 评测指标
p25 (p44): 2.4 基于邻域的算法
p26 (p44): 2.4.1 基于用户的协同过滤算法
p27 (p51): 2.4.2 基于物品的协同过滤算法
p28 (p59): 2.4.3 UserCF和ItemCF的综合比较
p29 (p64): 2.5 隐语义模型
p30 (p64): 2.5.1 基础算法
p31 (p70): 2.5.2 基于LFM的实际系统的例子
p32 (p72): 2.5.3 LFM和基于邻域的方法的比较
p33 (p73): 2.6 基于图的模型
p34 (p73): 2.6.1 用户行为数据的二分图表示
p35 (p73): 2.6.2 基于图的推荐算法
p36 (p78): 第3章 推荐系统冷启动问题
p37 (p78): 3.1 冷启动问题简介
p38 (p79): 3.2 利用用户注册信息
p39 (p85): 3.3 选择合适的物品启动用户的兴趣
p40 (p89): 3.4 利用物品的内容信息
p41 (p94): 3.5 发挥专家的作用
p42 (p96): 第4章 利用用户标签数据
p43 (p97): 4.1 UGC标签系统的代表应用
p44 (p97): 4.1.1 Delicious
p45 (p98): 4.1.2 CiteULike
p46 (p98): 4.1.3 Last.fm
p47 (p99): 4.1.4 豆瓣
p48 (p99): 4.1.5 Hulu
p49 (p100): 4.2 标签系统中的推荐问题
p50 (p100): 4.2.1 用户为什么进行标注
p51 (p101): 4.2.2 用户如何打标签
p52 (p102): 4.2.3 用户打什么样的标签
p53 (p103): 4.3 基于标签的推荐系统
p54 (p104): 4.3.1 实验设置
p55 (p105): 4.3.2 一个最简单的算法
p56 (p107): 4.3.3 算法的改进
p57 (p110): 4.3.4 基于图的推荐算法
p58 (p112): 4.3.5 基于标签的推荐解释
p59 (p115): 4.4 给用户推荐标签
p60 (p115): 4.4.1 为什么要给用户推荐标签
p61 (p115): 4.4.2 如何给用户推荐标签
p62 (p116): 4.4.3 实验设置
p63 (p119): 4.4.4 基于图的标签推荐算法
p64 (p119): 4.5 扩展阅读
p65 (p121): 第5章 利用上下文信息
p66 (p122): 5.1 时间上下文信息
p67 (p122): 5.1.1 时间效应简介
p68 (p123): 5.1.2 时间效应举例
p69 (p125): 5.1.3 系统时间特性的分析
p70 (p127): 5.1.4 推荐系统的实时性
p71 (p128): 5.1.5 推荐算法的时间多样性
p72 (p130): 5.1.6 时间上下文推荐算法
p73 (p134): 5.1.7 时间段图模型
p74 (p136): 5.1.8 离线实验
p75 (p139): 5.2 地点上下文信息
p76 (p143): 5.3 扩展阅读
p77 (p144): 第6章 利用社交网络数据
p78 (p144): 6.1 获取社交网络数据的途径
p79 (p145): 6.1.1 电子邮件
p80 (p146): 6.1.2 用户注册信息
p81 (p146): 6.1.3 用户的位置数据
p82 (p146): 6.1.4 论坛和讨论组
p83 (p147): 6.1.5 即时聊天工具
p84 (p147): 6.1.6 社交网站
p85 (p148): 6.2 社交网络数据简介
p86 (p149): 社交网络数据中的长尾分布
p87 (p150): 6.3 基于社交网络的推荐
p88 (p151): 6.3.1 基于邻域的社会化推荐算法
p89 (p152): 6.3.2 基于图的社会化推荐算法
p90 (p153): 6.3.3 实际系统中的社会化推荐算法
p91 (p155): 6.3.4 社会化推荐系统和协同过滤推荐系统
p92 (p156): 6.3.5 信息流推荐
p93 (p159): 6.4 给用户推荐好友
p94 (p161): 6.4.1 基于内容的匹配
p95 (p161): 6.4.2 基于共同兴趣的好友推荐
p96 (p161): 6.4.3 基于社交网络图的好友推荐
p97 (p164): 6.4.4 基于用户调查的好友推荐算法对比
p98 (p165): 6.5 扩展阅读
p99 (p166): 第7章 推荐系统实例
p100 (p166): 7.1 外围架构
p101 (p167): 7.2 推荐系统架构
p102 (p171): 7.3 推荐引擎的架构
p103 (p172): 7.3.1 生成用户特征向量
p104 (p173): 7.3.2 特征-物品相关推荐
p105 (p174): 7.3.3 过滤模块
p106 (p174): 7.3.4 排名模块
p107 (p178): 7.4 扩展阅读
p108 (p179): 第8章 评分预测问题
p109 (p180): 8.1 离线实验方法
p110 (p180): 8.2 评分预测算法
p111 (p180): 8.2.1 平均值
p112 (p184): 8.2.2 基于邻域的方法
p113 (p186): 8.2.3 隐语义模型与矩阵分解模型
p114 (p192): 8.2.4 加入时间信息
p115 (p193): 8.2.5 模型融合
p116 (p195): 8.2.6 Netnix Prize的相关实验结果
p117 (p196): 后记
备用描述
informationoverloadWeb2.011.11.21.2.11.2.21.2.31.2.41.2.51.2.61.2.71.2.81.31.3.11.3.21.3.322.12.22.2.12.2.22.32.3.12.3.22.3.32.42.4.12.4.22.4.3UserCFItemCF2.52.5.12.5.2LFM2.5.3LFM2.62.6.12.6.233.13.23.33.43.544.1UGC4.1.1Delicious4.1.2CiteULike4.1.3Last.fm4.1.44.1.5Hulu4.24.2.14.2.24.2.34.34.3.14.3.24.3.34.3.44.3.54.44.4.14.4.24.4.34.4.44.555.15.1.15.1.25.1.35.1.45.1.55.1.65.1.75.1.85.25.366.16.1.16.1.26.1.3
备用描述
本书通过大量代码和图表阐述了和推荐系统有关的理论基础, 介绍了评价推荐系统优劣的各种标准 (比如覆盖率, 满意度) 和方法 (比如AB测试), 总结了当今互联网领域中各种和推荐有关的产品和服务
开源日期
2020-11-24
更多信息……

🚀 快速下载

成为会员以支持书籍、论文等的长期保存。为了感谢您对我们的支持，您将获得高速下载权益。❤️
如果您在本月捐款，您将获得双倍的快速下载次数。

🐢 低速下载

由可信的合作方提供。 更多信息请参见常见问题解答。 （可能需要验证浏览器——无限次下载！）

所有选项下载的文件都相同，应该可以安全使用。即使这样，从互联网下载文件时始终要小心。例如，确保您的设备更新及时。
显示外部下载
  • 对于大文件，我们建议使用下载管理器以防止中断。
    推荐的下载管理器：JDownloader
  • 您将需要一个电子书或 PDF 阅读器来打开文件，具体取决于文件格式。
    推荐的电子书阅读器：Anna的档案在线查看器、ReadEra和Calibre
  • 使用在线工具进行格式转换。
    推荐的转换工具：CloudConvert和PrintFriendly
  • 您可以将 PDF 和 EPUB 文件发送到您的 Kindle 或 Kobo 电子阅读器。
    推荐的工具：亚马逊的“发送到 Kindle”和djazz 的“发送到 Kobo/Kindle”
  • 支持作者和图书馆
    ✍️ 如果您喜欢这个并且能够负担得起，请考虑购买原版，或直接支持作者。
    📚 如果您当地的图书馆有这本书，请考虑在那里免费借阅。