推薦系統的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決推薦系統的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

推薦系統進入發燒排行的影片

旅遊導覽地圖之生成技術

為了解決推薦系統的問題，作者黃羿軒 這樣論述：

主題式地圖經常用來展示特定資料與地理資訊的關係，這類地圖的特點在於能將資料屬性以及地理位置的關係視覺化以便於判讀趨勢，這樣的應用常見於旅遊導覽地圖的繪製；當人們在規劃未知的旅行時，往往受限於語言的限制或是缺乏對於景點的知識，導致旅途規劃的遺憾，亦或是無法從網路的文章或書本雜誌中找出理想的資料，因為這類的資料可能受到疏於維護或是特定的立場干擾，需要旅遊者具有大量的旅遊方面的先備知識去過濾。近年來台灣致力在發展觀光產業上，許多旅遊業者也面臨了資訊產業的轉型，例如近年來開始出現線上飯店預訂網站，便說明了資訊及觀光的密不可分。在推動地方觀光時，一個重要的點是如何快速吸引旅客的目光，過去景點商家可能透

過商業廣告的投放或是部落格網站的經營來達到宣傳的目的，這樣的問題在於整體推薦系統通常以個體為目標，缺乏了帶動整體區域觀光的效果，且對於旅客缺乏一定的公信力。在近年的研究中，提出了許多將城市地圖形變的方法，這些地圖透過數學運算，在人眼可接受的誤差內，很好的將不同的資訊結合真實地圖作呈現。綜合以上兩點，本論文結合以區域為主的POI(point of interest)景點，以及地圖形變的方法，提出了一種能夠自動生成旅遊導覽地圖的技術。

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決推薦系統的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

基於翻譯序列推薦模型於跨領域推薦系統之強化方法

為了解決推薦系統的問題，作者王均捷 這樣論述：

若我們有足夠多的歷史資料，就可以用很多不同的方法去建立一個聰明的推薦系統。但在某些情況下，比如一個新的社交媒體平台或電商平台上線時，我們沒有足夠的使用者物品互動資料來建構出好的推薦系統。其中一個強化跨領域推薦（cross-domain recommendation）的解決方案，是藉由將「來源領域（資訊含量較多之領域）」的資料加入「目標領域（資訊量相對較少的領域）」來提升資訊量，然後對「目標領域」進行推薦。本論文採用圖形學習表示演算法，結合改良並善用翻譯序列推薦模型（Translation-based Recommendation，TransRec）的推薦優勢，特化模型訓練時採樣方法、改變翻譯

序列合併方法，並引入貝氏個人化推薦（Bayesian Personalized Ranking，BPR）中負採樣（negative sampling）的概念，訓練得到推薦系統任務導向之表示向量，藉此改善推薦結果。本研究旨在通過改良後的翻譯序列推薦模型「TransRecCross」來強化跨領域推薦效果。驗證本論文的新方法時，使用了 Amazon Review 系列資料集中的其中四個，並在論文最後比較了加入不同比例的來源領域資料後的推薦結果，以驗證本論文提出之方法的可靠程度。