机器学习算法实践 推荐系统的协同过滤理论及其应用PDF电子书下载

第一篇 基础理论 3

第1章 理论入门 3

1.1 引言 3

1.2 推荐系统的形式化定义 4

1.3 基于近邻的协同过滤推荐算法 6

1.3.1 余弦相似度 6

1.3.2 修正余弦相似度 6

1.3.3 Pearson相似度 6

1.3.4 Jaccard相似度 6

1.4 基于用户兴趣的推荐算法 7

1.5 基于模型的协同过滤推荐算法 8

1.5.1 矩阵分解模型 8

1.5.2 交替最小二乘 10

1.5.3 概率矩阵分解 10

1.5.4 非负矩阵分解 11

1.6 基于信任的协同过滤推荐算法 12

1.7 推荐系统现存问题 14

1.7.1 冷启动 14

1.7.2 数据稀疏性 14

1.7.3 可扩展性 14

1.7.4 用户兴趣漂移 15

1.8 评测指标 15

本章小结 16

参考文献 16

第二篇 基于时序的协同过滤推荐算法 23

第2章 基于巴式系数改进相似度的协同过滤推荐算法 23

2.1 引言 23

2.2 相关工作 24

2.2.1 余弦相似度 24

2.2.2 调整余弦相似度 25

2.2.3 Pearson相关系数 25

2.2.4 Jaccard相似度 25

2.3 一种巴氏系数改进相似度的协同过滤推荐算法 26

2.3.1 巴氏系数 26

2.3.2 巴氏系数相似度 27

2.3.3 BCCF算法描述 28

2.4 实验与分析 28

2.4.1 数据集 28

2.4.2 评价标准 29

2.4.3 实验结果与分析 29

本章小结 32

参考文献 32

第3章 基于用户兴趣和项目属性的协同过滤推荐算法 35

3.1 引言 35

3.2 相关工作 36

3.3 基于用户兴趣和项目属性的协同过滤推荐算法 37

3.3.1 基于时间的用户兴趣度权重 37

3.3.2 改进相似度计算 38

3.3.3 加权预测评分 38

3.3.4 算法步骤 39

3.4 实验结果与分析 39

3.4.1 数据集 39

3.4.2 评价标准 40

3.4.3 结果分析 40

本章小结 42

参考文献 42

第三篇 基于矩阵分解的协同过滤推荐算法 47

第4章 SVD和信任因子相结合的协同过滤推荐算法 47

4.1 引言 47

4.2 标注和相关工作 48

4.2.1 标注 48

4.2.2 奇异值分解 48

4.2.3 计算相似度 49

4.3 SVD和信任因子相结合的协同过滤推荐算法 49

4.3.1 项目特征空间 50

4.3.2 两阶段k近邻选择 50

4.3.3 信任因子 50

4.3.4 预测评分 51

4.3.5 算法 51

4.4 实验结果与分析 52

4.4.1 数据集和实验环境 52

4.4.2 评价标准 52

4.4.3 实验结果分析 52

本章小结 56

参考文献 56

第5章 相似度填充的概率矩阵分解的协同过滤推荐算法 58

5.1 引言 58

5.2 相关工作 59

5.2.1 协同过滤推荐算法 59

5.2.2 概率矩阵分解技术 60

5.3 CF-PFCF算法 62

5.3.1 算法设计思想 62

5.3.2 CF-PFCF算法的描述 64

5.4 实验分析 65

5.4.1 数据集与误差标准 65

5.4.2 实验结果与性能比较 66

本章小结 68

参考文献 68

第6章 基于偏置信息的改进概率矩阵分解算法研究 70

6.1 引言 70

6.2 相关工作 71

6.2.1 矩阵分解模型 71

6.2.2 Baseline预测 74

6.3 算法流程 75

6.4 实验分析 76

6.4.1 实验所用数据集 77

6.4.2 实验环境配置 77

6.4.3 实验评价标准 77

6.4.4 实验结果及分析 77

本章小结 81

参考文献 82

第7章 基于项目属性改进概率矩阵分解算法 84

7.1 引言 84

7.2 IAR-BP算法 85

7.2.1 相似度度量 85

7.2.2 算法描述 86

7.2.3 算法复杂度分析 90

7.3 实验结果对比分析 90

7.3.1 实验数据集 90

7.3.2 实验评价标准 90

7.3.3 对比实验配置及说明 91

7.3.4 实验参数分析 91

7.3.5 实验对比 94

本章小结 96

参考文献 96

第8章 基于交替最小二乘的改进概率矩阵分解算法 98

8.1 引言 98

8.2 交替最小二乘 98

8.3 Baseline预测 99

8.4 IPMF算法 100

8.4.1 算法改进思想 100

8.4.2 算法流程 100

8.4.3 复杂度分析 102

8.5 实验结果分析 102

8.5.1 对比实验设定 102

8.5.2 实验分析 103

本章小结 107

参考文献 108

第9章 基于社交网络的改进概率矩阵分解算法研究 110

9.1 引言 110

9.2 相关工作 112

9.2.1 推荐系统的形式化 112

9.2.2 矩阵分解与推荐系统 113

9.3 概率矩阵分解 113

9.4 主要研究内容 114

9.4.1 基于社交网络的改进概率矩阵分解 114

9.4.2 算法流程 117

9.4.3 算法复杂度分析 118

9.5 实验分析 118

9.5.1 实验数据集 118

9.5.2 实验评价标准 119

9.5.3 对比算法 119

9.5.4 潜在因子维度的影响 120

9.5.5 偏置的影响 120

9.5.6 信任因子的影响 121

9.5.7 对比实验分析 124

本章小结 126

参考文献 126

第10章 带偏置的非负矩阵分解推荐算法 129

10.1 引言 129

10.2 相关工作 130

10.2.1 矩阵分解 130

10.2.2 奇异值矩阵 130

10.2.3 Baseline预测 131

10.2.4 NMF算法 132

10.3 RBNMF算法 132

10.3.1 理论分析 132

10.3.2 RBNMF算法流程 134

10.4 实验分析 135

10.4.1 数据集 135

10.4.2 评价标准 136

10.4.3 实验结果及分析 136

本章小结 141

参考文献 141

第11章 基于项目热度的协同过滤推荐算法 144

11.1 引言 144

11.2 非负矩阵分解 145

11.3 两阶段近邻选择 146

11.3.1 两阶段k近邻选择 146

11.3.2 项目“热度”和局部信任 146

11.3.3 预测评分 146

11.4 算法描述 146

11.5 实验结果分析 147

11.5.1 不同策略下相似度的分布 147

11.5.2 两种因素的分布与分析 147

11.5.3 实验结果及分析 148

本章小结 149

参考文献 149

第四篇 基于信任的协同过滤推荐算法 155

第12章 带偏置的专家信任推荐算法 155

12.1 引言 155

12.2 相关工作 156

12.2.1 专家算法 156

12.2.2 生成推荐值 156

12.2.3 Baseline预测 157

12.3 改进专家算法 158

12.3.1 改进专家信任 158

12.3.2 评分形成 159

12.3.3 算法描述 160

12.4 实验结果与分析 160

12.4.1 数据集 160

12.4.2 评估标准 160

12.4.3 实验结果及分析 161

本章小结 166

参考文献 166

第13章 一种改进专家信任的协同过滤推荐算法 168

13.1 引言 168

13.2 标注与相关工作 169

13.2.1 标注 169

13.2.2 近邻模型 170

13.2.3 专家算法 170

13.3 改进专家算法 171

13.3.1 重要概念 172

13.3.2 评分形成 173

13.3.3 算法描述 174

13.4 实验结果与分析 174

13.4.1 数据集 174

13.4.2 评估标准 175

13.4.3 实验结果与分析 175

本章小结 179

参考文献 179

第五篇 原型系统开发 183

第14章 电影推荐原型系统 183

14.1 引言 183

14.2 主要功能 183

14.3 关键技术 184

14.3.1 概率矩阵分解模型 184

14.3.2 社交网络正则化 184

14.4 集群搭建 185

14.4.1 集群软硬件环境 185

14.4.2 Spark集群 186

14.4.3 HBase集群 186

14.5 系统特点 187

14.6 用户使用说明 188

14.6.1 系统简介界面 188

14.6.2 建模一和建模二界面 188

14.6.3 集群界面 189

14.6.4 看过的电影界面 190

14.6.5 推荐电影界面 191

14.6.6 统计分析界面 191

参考文献 192