推薦システム 統計的機械学習の理論と実践

推薦システムで生ずる統計的課題を包括的に扱うためには、適応的逐次計画（多腕バンディット手法）、双線形ランダム効果モデル（行列分解）、ＭａｐＲｅｄｕｃｅを用いた拡張性の高いモデルの当てはめ、などの最先端の技術の詳細な議論が必要である。推薦システムで用いられる複雑な概念を、Ｙａｈｏｏ！およびＬｉｎｋｅｄＩｎにおける大規模システムでの開発／運用経験をもとに具体性のある説明を行い、理論と実践のギャップを埋めている。

目次 : 第１部　導入（古典的手法/ 推薦問題における探索と活用/ 推薦システムの評価）/ 第２部　一般的な問題設定（問題設定とシステム構成/ Ｍｏｓｔ‐Ｐｏｐｕｌａｒ推薦/ 素性ベクトルベースの回帰による個別化/ 因子モデルによる個別化）/ 第３部　高度な話題（潜在ディリクレ分配による因子分解/ コンテキスト依存推薦/ 多目的最適化）

【著者紹介】
Deepak K Agarwal : ビッグデータのアナリスト。米国統計協会のフェローであり、トップレベルのジャーナルの統計に関連する分野の編集者である

Bee‐Chung・Chen : 技術者。主な研究分野は、推薦システム、データマイニング、機械学習、ビッグデータ分析（本データはこの書籍が刊行された当時に掲載されていたものです）