●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基於因子分解的多項式回歸模型13
2.3FM模型14
2.4FM模型與矩陣分解模型的轉化15
2.4.1矩陣分解模型15
2.4.2FM模型轉化為矩陣分解模型16
2.5FM模型的高階擴展17
2.6FM模型的場交互擴展18
2.7FM模型的層次交互擴展19
2.8FM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
3.4FM模型相關研究中的特征工程27
3.5FM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
4.2.2SGD繫列算法35
4.2.3Gibbs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批規範化41
4.4.3Dropout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
5.2iFFM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
6.4GFFM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
7.1FNN模型65
7.2Wide&Deep模型66
7.3Deep&Cross模型67
7.4DeepFM模型68
7.5NFM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章基於稠密網絡的廣義場感知分解機71
8.1ResNet和DenseNet71
8.2DGFFM模型73
8.2.1Wide&Deep結構73
8.2.2FNN結構74
8.3DGFFM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模型實現庫及並行化處理77
9.1libFM一77
9.1.1libFM中核心類之間的關繫77
9.1.2fm一learn類代碼解析78
9.2FM的其他實現庫83
9.2.1libFFM83
9.2.2fastFM83
9.3FM模型的其他優化方法83
9.4FM模型的並行實現84
9.5本章小結87
第10章時尚電商領域的推薦繫統研究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繫統框架及面臨的問題89
10.3融合視覺特征的推薦繫統研究內容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面向大規模數據的並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基於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基於深度卷積神經網絡的視覺特征提取方法94
10.5.2基於iFFM模型的非視覺屬性建模95
10.5.3基於VBPR的視覺特征建模96
10.5.4基於馬爾可夫鏈的時間序列預測96
10.5.5基於SGD算法的模型訓練方法97
10.5.6基於TensorFlow的並行算法實現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&Deepplus框架101
11.3NSPD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

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繫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，並將此擴展後的模型應用於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繫統框架、研究內容、關鍵問題，以及可以采用的相關技術，後通過一個實例驗證方案的可行性。本書適合將要或正在從事數據挖掘、機器學習、推薦繫統、時尚電商相關研究的科研人員參考。其中關於因子分解機模型的綜述，以及對其改進工作，可以幫助科研人員拓寬研究思路；關於時尚電商領域的推薦繫統研究及應用，可以促進機器學習方法在推薦繫統中的應用。