推薦システム: 統計的機械学習の理論と実践 単行本 – 2018/4/21

Deepak K. Agarwal (著), Bee‐Chung Chen (著), 島田 直希 (翻訳), 大浦 健志 (翻訳)

共立出版 (2018/4/21)　￥4104

http://www.kyoritsu-pub.co.jp/bookdetail/9784320124301

MLPシリーズに出て来るような最新アリゴリズムが、推薦システムで適用されていることがわかる。古典的な協調フィルタリングから始まり、多腕バンディッド問題、スパースデータ、オフライン学習、因子モデル、潜在的ディリクレ分配、テンソル分解モデル、多目的最適化など。

推薦システム: 統計的機械学習の理論と実践

第１章　はじめに

1-1　ウエッブアプリケーションへの推薦システム導入時の留意点

1-2 シンプルなスコアリングモデル:Most-Popular推薦

第２章　古典的手法

2-1 アイテム素性ベクトル

2-2 ユーザ素性ベクトル

2-3 素性ベクトルベースの手法

2-4 協調フィルタリング

第３章　推薦問題における探索問題と活用

3-1 探索と活用のトレードオフ

3-2 多腕バンディット問題

3-3 推薦システムにおける探索と活用

3-4 データスパースを用いた探索と活用

第４章　推薦システムの評価

4-1 オフライン評価による従来手法

4-2 オンラインバスケットテスト

4-3 オフラインシミュレーション

4-4 オフラインリプレイ

第Ⅱ部　一般的な問題設定

第５章　問題設定とシステム構成

5-1 問題設定

5-2 システム構成

第６章Most-Popular 推薦

6-1 アプリケーション例Yahoo!Todayモジュール

6-2 問題定義

6-3 ベイズ手法

6-4 非ベイズ的手法

6-5 実証的評価

6-6 巨大なコンテンツプール

第７章　素性ベクトルベースの回帰による個別化

7-1 高速オンライン双線形因子モデル（FOBFM)

7-2 オフライン学習

7-3 オンライン学習

7-4 Yahoo!データセットの実例

第８章因子モデルによる個別化

8-1　回帰ベース潜在因子モデル（RLFM)

8-2 学習アルゴリズム

8-3 コールドスタートの実例

8-4 時間依存するアイテムの大規模な推薦

8-5 大規模問題の実例

第Ⅲ部　高度な話題

第9章　潜在的ディリク分配による因子分解

9-2 モデル

9-3 学習と予測

9-4 実験

第10章　コンテキスト依存推薦

10-1 テンソル分解モデル

10-2 階層的縮小

10-3 多面的なニュース記事推薦

10-4 関連アイテム推薦

第11章多目的最適化

11-1 アプリケーション設定

11-2 セグメントアプローチ

11-3 個別的アプローチ

11-4 近似手法

11-5 実験