推薦系​​統

劉宏志

買這商品的人也買了...

相關主題

商品描述

本書除了介紹推薦系統的一般框架、典型應用和評測方法之外,
還主要介紹各種典型推薦算法的思想、原理、算法設計和應用場景,
包括針對“千人千面”的個性化推薦和針對“千人萬面”的情境化推薦。
此外,本書還包含一些和推薦系統相關的專題內容,
如針對排序問題的排序學習和針對信息融合的異質信息網絡模型。
本書可作為計算機科學與技術、軟件工程、數據科學與大數據技術、
人工智能等專業的高年級本科生和研究生的相關課程教材,
也可作為從事推薦系統、搜索引擎、數據挖掘等研發工作相關人員的參考書。 

目錄大綱

目錄
目錄前言  
第壹章概述1  
1.1推薦系統簡介1  
1.1.1信息超載1  
1.1.2長尾效應2  
1.1.3推薦系統的價值3  
1.2推薦系統的發展歷史3  
1.3個性化推薦4  
1.3.1用戶畫像4  
1.3.2項目畫像6  
1.4應用場景6  
1.4.1電商6  
1.4.2新聞6  
1.4.3音樂8  
1.5推薦系統框架與形式化定義9  
1.6推薦算法分類9  
1.6.1基於算法思想的分類10  
1.6.2基於應用問題的分類12  
習題13  

第2章基於鄰域的協同過濾14  
2.1協同過濾簡介14  
2.1.1基本思想14  
2.1.2算法分類15  
2.1.3一般流程15  
2.2基於用戶的協同過濾16  
2.2.1TopN推薦17  
2.2.2評分預測19  
2.3基於項目的協同過濾22  
2.3.1TopN推薦22  
2.3.2評分預測24  
2.4基於距離的相似度度量26  
2.5Slope One算法27  
2.6基於二部圖的協同過濾28  
2.6.1激活擴散模型29  
2.6.2物質擴散模型30  
2.6.3熱傳導模型33  
習題35  

第3章基於模型的協同過濾36  
3.1基於關聯規則的協同過濾36  
3.1.1基本概念37  
3.1.2關聯規則度量37  
3.1.3Apriori關聯規則挖掘算法38  
3.1.4關聯規則的相關分析39  
3.2基於矩陣分解的評分預測41  
3.2.1奇異值分解41  
3.2.2隱語義模型43  
3.2.3概率矩陣分解47  
3.2.4SVD++模型50  
3.3基於矩陣分解的TopN推薦51  
3.3.1基於正樣本過採樣的矩陣分解51  
3.3.2基於負樣本欠採樣的矩陣分解52  
習題53  

第4章基於內容和知識的推薦54  
4.1基於內容的推薦系統框架54  
4.2基於詞向量空間模型的文本表示56  
4.2.1詞袋模型56  
4.2.2TFIDF模型57  
4.2.3模型改進58  
4.2.4餘弦相似度58  
4.3基於語義的內容相似度59  
4.3.1基於本體的文本相似度59  
4.3.2基於網絡知識的文本相似度60  
4.3.3基於語料庫的文本相似度62  
4.4基於知識的推薦63  
4.4.1基於約束的推薦63  
4.4.2基於效用的推薦65  
4.4.3基於實例的推薦66  

習題68  

第5章混合推薦系統69  
5.1混合推薦實例——Netflix百萬美金公開賽69  
5.2混合/組合推薦的動機71  
5.2.1實踐經驗71  
5.2.2理論依據72  
5.3混合/組合方法分類73  
5.3.1有監督組合和無監督組合73  
5.3.2並行式混合、串行式混合和整體式混合74  
5.4並行式混合推薦75  
5.4.1加權式混合75  
5.4.2切換式混合76  
5.4.3排序混合77  
5.5串行式混合推薦78  
5.5.1級聯過濾78  
5.5.2級聯學習79  
5.6整體式混合推薦80  
5.6.1特徵組合80  
5.6.2特徵擴充80  
5.6.3基於圖模型的混合81  
習題82  

第6章推薦系統評測83  
6.1評測視角83  
6.2實驗方法84  
6.2.1在線實驗84  
6.2.2用戶調查85  
6.2.3離線實驗85  
6.3評分預測評價指標86  
6.3.1MAE和MSE87  
6.3.2RMSE、NMAE和NRMSE87  
6.4TopN推薦評價指標87  
6.4.1分類準確度指標88  
6.4.2ROC曲線和AUC值90  
6.4.3基於排序的評價指標91  
6.4.4其他常用評價指標93  
6.5公開實驗數據集94  
習題96  

第7章基於排序學習的推薦97  
7.1排序學習模型分類97  
7.2對級排序學習模型99  
7.2.1基本框架99  
7.2.2貝葉斯個性化排序100  
7.2.3協同對級排序學習102  
7.3列表級排序學習模型106  
7.3.1PPush CR算法107  
7.3.2CofiRank算法108  
習題110  

第8章基於情境感知的推薦111  
8.1情境信息的定義111  
8.2情境信息的獲取113  
8.3基於情境感知的推薦系統框架113  
8.3.1數據立方體114  
8.3.2基於樹的層次信息表達115  
8.4融合情境信息的推薦模型116  
8.4.1情境預過濾117  
8.4.2情境後過濾118  
8.5情境建模118  
8.5.1基於鄰域的方法119  
8.5.2基於模型的方法120  

習題121  

第9章基於時空信息的推薦122  
9.1基於時間信息的推薦122  
9.1.1*近*熱門推薦算法123  
9.1.2基於時間的項目協同過濾123  
9.1.3基於時間的用戶協同過濾124  
9.1.4基於會話的推薦125  
9.2基於序列感知的推薦126  
9.2.1基於馬爾可夫模型的序列預測127  
9.2.2基於循環神經網絡的序列預測130  
9.3基於空間信息的推薦132  
9.3.1位置信息的獲取與推理132  
9.3.2基於位置信息的推薦133  
9.3.3融合其他信息的推薦134  
習題135  

第壹10章基於社交關係的推薦136  
10.1社交關係數據136  
10.2基於鄰域的社交化推薦138  
10.2.1基於用戶的協同過濾138  
10.2.2基於圖擴散的推薦139  
10.3基於模型的社交化推薦141  
10.3.1基於潛在社交因子學習的推薦141  
10.3.2基於顯式社交關係的推薦143  
10.4基於社會曝光的協同過濾146  

習題148  

第壹11章基於異質信息網絡的推薦149  
11.1基本概念149  
11.2基於鄰域的HIN推薦算法150  
11.2.1基於隨機遊走的相關度度量150  
11.2.2基於元路徑的相關度度量151  
11.2.3基於元路徑和隨機遊走混合的相關度度量154  
11.3基於模型的HIN推薦算法155  
11.3.1兩階段融合模型155  
11.3.2端到端的學習模型160  
習題163  
參考文獻164