搜索引擎中的實體推薦關鍵技術研究


	搜尋引擎是人們獲取資訊的重要工具。近幾年,人們獲取資訊的需求不斷提升, 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資訊。其中, 實體推薦是推薦細微性細且信息量豐富的一種資訊推薦形式, 備受學術界重視, 也深受用戶歡迎。本書圍繞實體推薦, 針對實體推薦演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。本書適合電腦領域的研究生以及從業人員閱讀, 可以幫助讀者較全面地瞭解實體推薦演算法。



	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	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　實體推薦演算法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　基於排序學習與資訊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　資訊新穎性定義43 2.2.2　基於資訊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演算法49 2.3.1　相關實體發現50 2.3.2　相關實體排序53 2.4　實驗設置69 2.4.1　實驗資料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　基於深度多工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　使用多工學習的原因89 3.3　基於多工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　使用多工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　實驗設置100 3.4.1　實驗資料與評價指標101 3.4.2　基線方法104 3.5　實驗結果與分析105 3.5.1　上下文資訊的影響105 3.5.2　多工學習與單任務學習的比較106 3.5.3　實體推薦模型的比較107 3.5.4　搜索會話長度的影響108 3.5.5　上下文相關文檔排序的效果110 3.6　本章小結111 第4章　基於卷積神經網路的實體對推薦理由識別 4.1　引言112 4.2　問題定義116 4.3　實體對推薦理由識別方法118 4.3.1　訓練資料的構建方法118 4.3.2　基於卷積神經網路的排序模型122 4.4　實驗設置125 4.4.1　實驗資料126 4.4.2　基線方法128 4.4.3　評價指標130 4.5　實驗結果與分析130 4.5.1　人工設計特徵與自動學習特徵的比較131 4.5.2　基於pointwise與基於pairwise的排序方法的比較132 4.5.3　本方法與三種基線方法的比較133 4.6　本章小結138 第5章　基於機器翻譯模型的實體推薦理由生成　 5.1　引言139 5.2　問題定義142 5.3　基於統計機器翻譯模型的實體推薦理由生成144 5.4　基於神經機器翻譯模型的實體推薦理由生成148 5.4.1　Seq2Seq模型149 5.4.2　由實體資訊指導的Seq2Seq模型156 5.4.3　基於Seq2Seq的實體推薦理由生成模型161 5.5　實驗設置162 5.5.1　實驗資料162 5.5.2　對比方法165 5.5.3　評價指標169 5.6　實驗結果與分析171 5.6.1　不同實體推薦理由生成方法的比較與分析171 5.6.2　基於Seq2Seq的實體推薦理由生成模型分析174 5.6.3　基於實例的方法的比較與分析176 5.7　本章小結181 結論參考文獻攻讀博士學位期間發表的論文及其他成果致謝