iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 8Redmi Note 8 ProRedmi Note 9Redmi Note 9 Pro
- Startseite
Bücher Englische Bücher Wissen & Bildung Naturwissenschaft, Medizin, Informatik, Technik Informatik & EDV Informatik Advancing Recommender Systems with Graph Convolutional Networks
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Advancing Recommender Systems with Graph Convolutional Networks
Fan Liu, Liqiang Nie (Broschiert, Englisch)
★★★★★
☆☆☆☆☆ Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
This book systematically examines scalability and effectiveness challenges related to the application of graph convolutional networks (GCNs) in recommender systems. By effectively modeling graph structures, GCNs excel in capturing high-order relationships between users and items, enabling the creation of enriched and expressive representations.
The book focuses on two overarching problem… categories: the first area deals with problems specific to GCN-based recommendation models, including over-smoothing, noisy neighboring nodes, and interpretability limitations. The second one encompasses broader challenges in recommendation systems that GCN-based methods are particularly well-suited to address as the attribute missing problem or feature misalignment. Through rigorous exploration of these challenges, this book presents innovative GCN-based solutions to push the boundaries of recommender system design. To this end, techniques such as interest-aware message-passing strategy, cluster-based collaborative filtering, semantic aspects extraction, attribute-aware attention mechanisms, and light graph transformer are presented.
Each chapter combines theoretical insights with practical implementations and experimental validation, offering a comprehensive resource for researchers, advanced professionals, and graduate students alike. 128,39 €
oder
zzgl.
Du kannst wie immer einen Kaufalarm setzen, wenn du auf das gebrauchte Buch warten möchtest.
zzgl.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Technische Daten
Erscheinungsdatum
30.03.2025
Sprache
Englisch
EAN
9783031850929
Herausgeber
Springer International Publishing
Sonderedition
Nein
Autor
Fan Liu, Liqiang Nie
Seitenanzahl
157
Einbandart
Broschiert
Schlagwörter
recommender systems, information retrieval, neural networks, large language models, collaborative filtering, graph convolutional networks
Thema-Inhalt
UNH - Informationsrückgewinnung, Information Retrieval
UND - Data Warehousing
UYQ - Künstliche Intelligenz
PBWH - Mathematische Modellierung
Höhe
235 mm
Breite
15.5 cm
Hersteller: Springer Nature Customer Service Center GmbH, ProductSafety@springernature.com
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
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!
Sicher bei rebuy kaufen