Bewertung:
Das Buch wird für seine klare Sprache, die umfassende Abdeckung von Empfehlungssystemen und die praktischen Einblicke hoch geschätzt, was es sowohl für Anfänger als auch für fortgeschrittene Leser wertvoll macht. Allerdings fehlt es ihm an Tiefe bei fortgeschrittenen Themen wie Deep Learning-Anwendungen in Empfehlungssystemen und es enthält nur wenige ausgearbeitete Beispiele.
Vorteile:Klarer und gut organisierter Text. Umfassende Abdeckung von Algorithmen und Konzepten in Empfehlungssystemen. Bietet praktische und theoretische Einblicke. Ausgezeichnetes Referenzmaterial. Sowohl für Neueinsteiger als auch für fortgeschrittene Leser von Nutzen.
Nachteile:Fehlt eine eingehende Behandlung von fortgeschrittenen Themen wie Deep Learning in Empfehlungssystemen. Fehlende numerische Beispiele oder Implementierungscode, was es für einige Leser weniger praktisch macht. Die Kindle-Version hat kein hyperlinkbasiertes Inhaltsverzeichnis, was die Navigation erschweren kann.
(basierend auf 18 Leserbewertungen)
Recommender Systems: The Textbook
Dieses Buch befasst sich umfassend mit dem Thema Empfehlungssysteme, die dem Benutzer auf der Grundlage seiner früheren Suchanfragen oder Käufe personalisierte Empfehlungen für Produkte oder Dienstleistungen geben. Die Methoden von Empfehlungssystemen wurden an verschiedene Anwendungen angepasst, darunter die Auswertung von Suchprotokollen, soziale Netzwerke, Nachrichtenempfehlungen und computergestützte Werbung. Dieses Buch fasst sowohl die grundlegenden als auch die fortgeschrittenen Themen eines Forschungsgebiets zusammen, das inzwischen eine gewisse Reife erlangt hat. Die Kapitel dieses Buches sind in drei Kategorien gegliedert:
Algorithmen und Bewertung: Diese Kapitel behandeln die grundlegenden Algorithmen in Empfehlungssystemen, einschließlich kollaborativer Filtermethoden, inhaltsbasierter Methoden, wissensbasierter Methoden, ensemblebasierter Methoden und Evaluierung.
Empfehlungen in spezifischen Domänen und Kontexten: Der Kontext einer Empfehlung kann als wichtige Nebeninformation betrachtet werden, die die Ziele der Empfehlung beeinflusst. Es werden verschiedene Arten von Kontext wie zeitliche Daten, räumliche Daten, soziale Daten, Tagging-Daten und Vertrauenswürdigkeit untersucht.
Fortgeschrittene Themen und Anwendungen: Verschiedene Aspekte der Robustheit von Empfehlungssystemen, wie z.B. Shilling-Systeme, Angriffsmodelle und deren Verteidigung werden diskutiert.
Darüber hinaus werden aktuelle Themen wie Learning to Rank, Multi-Armed Bandits, Gruppensysteme, multikriterielle Systeme und aktive Lernsysteme zusammen mit Anwendungen vorgestellt.
Obwohl dieses Buch in erster Linie als Lehrbuch dient, wird es aufgrund seines Schwerpunkts auf Anwendungen und Referenzen auch für industrielle Praktiker und Forscher interessant sein. Es gibt zahlreiche Beispiele und Übungen, und für Dozenten steht ein Lösungsbuch zur Verfügung.
| ISBN: | 9783319806198 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
