Bis zu 50 % günstiger als neu 3 Jahre rebuy Garantie Professionelles Refurbishment
ElektronikMedien
Tipps & News
AppleAlle anzeigen
TabletsAlle anzeigen
HandyAlle anzeigen
Fairphone
AppleAlle anzeigen
iPhone Air Generation
GoogleAlle anzeigen
Pixel Fold
HonorAlle anzeigen
HuaweiAlle anzeigen
Honor SerieY-Serie
NothingAlle anzeigen
OnePlusAlle anzeigen
OnePlus 11 GenerationOnePlus 12 Generation
SamsungAlle anzeigen
Galaxy XcoverWeitere Modelle
SonyAlle anzeigen
Weitere Modelle
XiaomiAlle anzeigen
Weitere Modelle
Tablets & eBook ReaderAlle anzeigen
Google
AppleAlle anzeigen
HuaweiAlle anzeigen
MatePad Pro Serie
MicrosoftAlle anzeigen
XiaomiAlle anzeigen
Kameras & ZubehörAlle anzeigen
ObjektiveAlle anzeigen
System & SpiegelreflexAlle anzeigen
WearablesAlle anzeigen
Fitness TrackerAlle anzeigen
SmartwatchesAlle anzeigen
Xiaomi
Konsolen & ZubehörAlle anzeigen
Lenovo Legion GoMSI Claw
NintendoAlle anzeigen
Nintendo Switch Lite
PlayStationAlle anzeigen
XboxAlle anzeigen
Audio & HiFiAlle anzeigen
KopfhörerAlle anzeigen
FairphoneGoogle
LautsprecherAlle anzeigen
Beats by Dr. DreGoogleYamahatonies
iPodAlle anzeigen

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Advanced Multimodal Compatibility Modeling and Recommendation

Weili Guan, Xuemeng Song, Dongliang Zhou, Liqiang Nie (Gebundene Ausgabe, Englisch)

Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
This Third Edition sheds light on state-of-the-art theories and practices in multimodal compatibility modeling and recommendation, offering comprehensive insights into this evolving field. This topic, and fashion compatibility modeling in particular, has garnered increasing research attention in recent years due to the significant economic impact of e-commerce. Building upon recent research and the prior edition, the authors present a series of graph-learning based multimodal compatibility modeling schemes, all of which have been proven to be effective over several public real-world datasets. This book introduces a number of advanced multimodal compatibility modeling and recommendation methods, including category-guided multimodal compatibility modeling and try-on-guided multimodal compatibility modeling. The authors also provide comprehensive solutions, including correlation-oriented graph learning, modality-oriented graph learning, unsupervised disentangled graph learning, partially supervised disentangled graph learning, and metapath-guided heterogeneous graph learning.
Dieses Produkt haben wir gerade leider nicht auf Lager.
ab 23,99 €
Derzeit nicht verfügbar
Derzeit nicht verfügbar

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Technische Daten


Erscheinungsdatum
19.03.2025
Sprache
Englisch
EAN
9783031810473
Herausgeber
Springer International Publishing
Serien- oder Bandtitel
Synthesis Lectures on Information Concepts, Retrieval, and Services
Sonderedition
Nein
Autor
Weili Guan, Xuemeng Song, Dongliang Zhou, Liqiang Nie
Seitenanzahl
154
Auflage
3
Einbandart
Gebundene Ausgabe
Schlagwörter
Multimodal Compatibility Modeling, Multimodal Recommendation, Fashion Recommendation, Fashion Compatibility Modeling, Personalized Fashion Compatibility Modeling, Graph Convolutional Network, Disentangled Representation, Multimedia Retrieval
Thema-Inhalt
UNH - Informationsrückgewinnung, Information Retrieval UND - Data Warehousing UYQM - Maschinelles Lernen UX - Angewandte Informatik UXJ - Computer-Anwendungen in den Sozial- und Verhaltenswissenschaften KJE - E-Commerce: geschäftliche Aspekte UYA - Theoretische Informatik UNF - Data Mining UYQE - Wissensbasierte Systeme, Expertensysteme
Höhe
240 mm
Breite
16.8 cm

Hersteller: Palgrave Macmillan, Europaplatz 3, Heidelberg, Deutschland, 69115, ProductSafety@springernature.com, Springer Nature Customer Service Center GmbH

Warnhinweise und Sicherheitsinformationen

Informationen nach EU Data Act

-.-
Leider noch keine Bewertungen
Leider noch keine Bewertungen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!