搜尋引擎中的實體推薦關鍵技術研究

內容簡介

搜尋引擎是人們獲取信息的重要工具。近幾年,人們獲取信息的需求不斷提升, 促使搜尋引擎不斷發展和進化, 從被動地為用戶提供查詢結果, 轉變為主動地為用戶提供直接答案並推薦相關信息。其中, 實體推薦是推薦粒度*細且信息量*豐富的一種信息推薦形式, 備受學術界重視, 也深受用戶歡迎。

本書圍繞實體推薦, 針對實體推薦算法的改進和推薦理由的生成這兩方面的關鍵技術進行研究, 並得出研究結論。本書適合計算機領域的研究生以及從業人員閱讀, 可以幫助讀者較全面地了解實體推薦算法。

圖書目錄

叢書序

導師序

摘要

第1章　緒論

1.1　課題背景及意義1

1.1.1　實體推薦的定義及研究背景1

1.1.2　實體推薦的挑戰及研究意義6

1.2　研究現狀及分析12

1.2.1　實體推薦算法12

1.2.2　實體推薦的可解釋性23

1.2.3　尚且存在的問題31

1.3　本書的研究內容及章節安排35

第2章　基於排序學習與信息新穎性增強的實體推薦

2.1　引言40

2.2　問題定義43

2.2.1　信息新穎性定義43

2.2.2　基於信息新穎性增強的實體推薦任務定義47

2.3　基於排序學習框架的實體推薦算法49

2.3.1　相關實體發現50

2.3.2　相關實體排序53

2.4　實驗設定69

2.4.1　實驗數據69

2.4.2　基線方法70

2.4.3　評價指標72

2.5　實驗結果與分析75

2.5.1　本方法與五種基線方法的比較76

2.5.2　不同特徵的貢獻度分析78

2.6　本章小結81

第3章　基於深度多任務學習的上下文相關實體推薦

3.1　引言83

3.2　問題定義87

3.2.1　上下文相關實體推薦任務定義87

3.2.2　使用多任務學習的原因89

3.3　基於多任務學習的上下文相關實體推薦模型92

3.3.1　上下文無關實體推薦模型92

3.3.2　上下文相關實體推薦模型94

3.3.3　使用多任務學習提升上下文相關實體推薦模型的效果95

3.3.4　利用上下文相關實體推薦模型提升推薦效果98

3.4　實驗設定100

3.4.1　實驗數據與評價指標101

搜尋引擎中的實體推薦關鍵技術研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條