推荐系统 技术、评估及高效算法PDF电子书下载

第1章 概述 1

1.1简介 1

1.2推荐系统的功能 3

1.3数据和知识资源 5

1.4推荐技术 7

1.5应用与评价 10

1.6推荐系统与人机交互 12

1.6.1信任、解释和说服力 13

1.6.2会话系统 13

1.6.3可视化 14

1.7推荐系统是个交叉学科领域 15

1.8出现的问题和挑战 16

1.8.1本书对出现的问题的讨论 16

1.8.2 挑战 18

参考文献 20

第一部分 基础技术 28

第2章 推荐系统中的数据挖掘方法 28

2.1简介 28

2.2数据预处理 29

2.2.1相似度度量方法 29

2.2.2抽样 30

2.2.3降维 31

2.2.4去噪 33

2.3分类 34

2.3.1最近邻 34

2.3.2决策树 35

2.3.3基于规则的分类 36

2.3.4贝叶斯分类器 36

2.3.5人工神经网络 38

2.3.6支持向量机 39

2.3.7分类器的集成 40

2.3.8评估分类器 41

2.4聚类分析 42

2.4.1 k-means 43

2.4.2改进的k-means 44

2.5关联规则挖掘 44

2.6总结 46

致谢 47

参考文献 47

第3章 基于内容的推荐系统：前沿和趋势 51

3.1简介 51

3.2基于内容的推荐系统的基础 52

3.2.1基于内容的推荐系统的高层次结构 52

3.2.2基于内容过滤的优缺点 54

3.3基于内容的推荐系统的现状 55

3.3.1物品表示 56

3.3.2学习用户特征的方法 62

3.4趋势和未来研究 65

3.4.1推荐过程中用户产生内容的作用 65

3.4.2超越特化：惊喜度 66

3.5总结 68

参考文献 68

第4章 基于近邻推荐方法综述 74

4.1简介 74

4.1.1问题公式化定义 75

4.1.2推荐方法概要 76

4.1.3基于近邻方法的优势 77

4.1.4目标和概要 78

4.2基于近邻推荐 78

4.2.1基于用户评分 79

4.2.2基于用户分类 80

4.2.3回归与分类 80

4.2.4基于物品推荐 81

4.2.5基于用户和基于物品推荐的对比 81

4.3近邻方法的要素 83

4.3.1评分标准化 83

4.3.2相似度权重计算 85

4.3.3近邻的选择 89

4.4高级进阶技术 90

4.4.1降维方法 90

4.4.2基于图方法 92

4.5总结 95

参考文献 96

第5章 协同过滤算法的高级课题 100

5.1简介 100

5.2预备知识 101

5.2.1基准预测 102

5.2.2 Netflix数据 103

5.2.3隐式反馈 103

5.3因子分解模型 104

5.3.1 SVD 104

5.3.2 SVD＋＋ 105

5.3.3时间敏感的因子模型 106

5.3.4比较 111

5.3.5总结 112

5.4基于邻域的模型 112

5.4.1相似度度量 113

5.4.2基于相似度的插值 113

5.4.3联合派生插值权重 115

5.4.4总结 117

5.5增强的基于邻域的模型 117

5.5.1全局化的邻域模型 118

5.5.2因式分解的邻域模型 122

5.5.3基于邻域的模型的动态时序 126

5.5.4总结 127

5.6基于邻域的模型和因子分解模型的比较 127

参考文献 129

第6章 开发基于约束的推荐系统 131

6.1简介 131

6.2推荐知识库的开发 133

6.3推荐过程中的用户导向 137

6.4计算推荐结果 142

6.5项目和案例研究的经验 143

6.6未来的研究方法 144

6.7总结 147

参考文献 147

第7章 情境感知推荐系统 151

7.1简介 151

7.2推荐系统中的情境 152

7.2.1什么是情境 152

7.2.2在推荐系统实现情境信息的建模 155

7.2.3获取情境信息 158

7.3结合情境的推荐系统形式 159

7.3.1情境预过滤 161

7.3.2情境后过滤 163

7.3.3情境建模 164

7.4多种方法结合 167

7.4.1组合预过滤器案例研究：算法 168

7.4.2组合预过滤器案例研究：实验结果 168

7.5情境感知推荐系统的其他问题 170

7.6总结 171

致谢 171

参考文献 172

第二部分 推荐系统的应用与评估 176

第8章 推荐系统评估 176

8.1简介 176

8.2实验设置 177

8.2.1离线实验 178

8.2.2用户调查 180

8.2.3在线评估 182

8.2.4得出可靠结论 182

8.3推荐系统属性 185

8.3.1用户偏好 185

8.3.2预测准确度 186

8.3.3覆盖率 191

8.3.4置信度 192

8.3.5信任度 193

8.3.6新颖度 194

8.3.7惊喜度 195

8.3.8多样性 195

8.3.9效用 196

8.3.10风险 197

8.3.11健壮性 197

8.3.12隐私 198

8.3.13适应性 198

8.3.14可扩展性 199

8.4总结 199

参考文献 199

第9章 IPTV服务提供商推荐系统：一个大规模真实产品环境的应用 203

9.1简介 203

9.2 IPTV架构 204

9.3推荐系统架构 206

9.3.1数据搜集 206

9.3.2批处理和实时阶段 207

9.4推荐算法 208

9.4.1推荐算法概述 209

9.4.2基于内容隐语义分析算法 210

9.4.3基于物品的协同过滤算法 213

9.4.4基于降维的协同过滤算法 214

9.5推荐服务 215

9.6系统评价 216

9.6.1离线分析 218

9.6.2在线分析 220

9.7总结 223

参考文献 223

第10章 走出实验室的推荐系统 225

10.1简介 225

10.2设计现实环境中的推荐系统 225

10.3理解推荐系统的环境 226

10.3.1应用模型 226

10.3.2用户建模 230

10.3.3数据模型 233

10.3.4一个使用环境模型的方法 235

10.4在迭代设计过程中理解推荐验证步骤 236

10.4.1算法的验证 236

10.4.2推荐结果的验证 237

10.5应用实例：一个语义新闻推荐系统 240

10.5.1背景：MESH工程 240

10.5.2 MESH的环境模型 240

10.5.3实践：模型的迭代实例化 243

10.6总结 244

参考文献 244

第11章 匹配推荐系统的技术与领域 247

11.1简介 247

11.2相关工作 247

11.3知识源 248

11.4领域 250

11.4.1异构性 250

11.4.2风险性 251

11.4.3变动性 251

11.4.4交互风格 251

11.4.5偏好稳定性 251

11.4.6可理解性 252

11.5知识源 252

11.5.1社群知识 252

11.5.2个人知识 253

11.5.3基于内容的知识 253

11.6从领域到技术 254

11.6.1算法 255

11.6.2抽样推荐领域 256

11.7总结 257

致谢 257

参考文献 257

第12章 用于技术强化学习的推荐系统 261

12.1简介 261

12.2背景 262

12.2.1 TEL作为上下文 262

12.2.2 TEL推荐的目标 263

12.3相关工作 264

12.3.1自适应教育超媒体 264

12.3.2学习网络 265

12.3.3相同点与不同点 267

12.4 TEL推荐系统调查 268

12.5 TEL推荐系统的评估 271

12.5.1对组件的评估 272

12.5.2评估TEL推荐系统时需要考虑的问题 273

12.6总结与展望 274

致谢 274

参考文献 275

第三部分 推荐系统的影响 282

第13章 基于评价推荐系统的进展 282

13.1简介 282

13.2早期：评价系统/已得益处 282

13.3评价系统的表述与检索挑战 283

13.3.1评价表述的方式 283

13.3.2基于评价的推荐系统中的检索挑战 289

13.4评价平台中的交互研究 293

13.4.1扩展到其他评价平台 294

13.4.2用户直接操作与限制用户控制的比较 295

13.4.3支持性解释、置信和信任 296

13.4.4可视化、自适应性和分区动态性 297

13.4.5关于多文化的适用性的差异 298

13.5评价的评估：资源、方法和标准 298

13.5.1资源和方法 298

13.5.2评估标准 299

13.6总结与展望 300

参考文献 301

第14章 构建更值得信任和具有说服力的推荐系统：特性对评估推荐系统的影响 305

14.1简介 305

14.2推荐系统作为社交角色 306

14.3来源可信度 306

14.3.1可信度 306

14.3.2专业能力 307

14.3.3对来源可信度的影响 307

14.4人际交互中信息特性的研究 307

14.4.1相似度 307

14.4.2喜好度 308

14.4.3权威的象征 308

14.4.4演讲的风格 308

14.4.5外在吸引力 308

14.4.6幽默 309

14.5人机交互中的特性 309

14.6用户与推荐系统交互的特性 309

14.6.1推荐系统类型 310

14.6.2输入特性 310

14.6.3过程特性 311

14.6.4输出特性 311

14.6.5内嵌的智能体特性 312

14.7讨论 312

14.8影响 313

14.9未来研究方向 314

参考文献 314

第15章 设计和评估推荐系统的解释 321

15.1简介 321

15.2指引 322

15.3专家系统的说明 322

15.4定义的目标 322

15.4.1系统如何工作：透明性 324

15.4.2允许用户告诉系统它是错误的：被理解 324

15.4.3增加用户对系统上的信任：信任度 325

15.4.4说服用户尝试或购买：说服力 326

15.4.5帮助用户充分地决策：有效性 327

15.4.6帮助用户快速制定决策：效率 328

15.4.7使系统的应用愉悦：满意度 328

15.5评估解释在推荐系统的作用 329

15.5.1精准度 329

15.5.2学习效率 329

15.5.3覆盖度 330

15.5.4接受度 330

15.6用推荐设计展示与互动 330

15.6.1展示推荐 330

15.6.2与推荐系统交互 331

15.7解释风格 332

15.7.1基于协同风格 333

15.7.2基于内容风格 334

15.7.3基于案例风格 334

15.7.4基于知识/自然语言风格 335

15.7.5基于人口统计风格 335

15.8总结与展望 336

参考文献 337

第16章 基于实例评价研究的产品推荐系统的可用性准则 340

16.1简介 340

16.2预备知识 341

16.2.1交互模型 341

16.2.2基于效用的推荐系统 342

16.2.3准确率、信任度和代价的框架 344

16.2.4本章结构 344

16.3相关工作 345

16.3.1推荐系统分类 345

16.3.2基于评分的推荐系统 345

16.3.3基于案例的推荐系统 345

16.3.4基于效用的推荐系统 345

16.3.5基于评价的推荐系统 346

16.3.6其他设计指导准则 346

16.4初始偏好提取 347

16.5通过实例激励用户表示偏好 349

16.5.1需要多少实例 350

16.5.2需要哪些实例 350

16.6偏好修正 352

16.6.1偏好冲突和部分满足 352

16.6.2权衡辅助 353

16.7展示策略 354

16.7.1一次推荐一项物品 354

16.7.2推荐k项最匹配的物品 355

16.7.3解释界面 355

16.8准则验证模型 357

16.9总结 359

参考文献 359

第17章 基于示意图的产品目录可视化 363

17.1简介 363

17.2基于图的可视化方法 364

17.2.1自组织映射 364

17.2.2树图 365

17.2.3多维缩放 366

17.2.4非线性主成分分析 367

17.3产品目录图 367

17.3.1多维缩放 368

17.3.2非线性主成分分析 369

17.4通过点击流分析决定属性权重 370

17.4.1泊松回归模型 370

17.4.2处理缺失值 371

17.4.3使用泊松回归选择权值 371

17.4.4阶梯式泊松回归模型 371

17.5图像购物界面 372

17.6电子商务应用 373

17.6.1使用属性权值的基于MDS的产品目录图 373

17.6.2基于NL-PCA的产品目录图 375

17.6.3图像购物界面 377

17.7总结与展望 379

致谢 380

参考文献 380

第四部分 推荐系统与群体 384

第18章 个性化Web搜索中的群体、协作与推荐系统 384

18.1简介 384

18.2网络搜索历史简介 385

18.3网络搜索的未来 387

18.3.1个性化网络搜索 387

18.3.2协同信息检索 390

18.3.3向社交搜索前进 392

18.4案例研究1：基于群体的网络搜索 392

18.4.1搜索群体中的重复性和规律性 392

18.4.2协同网络搜索系统 393

18.4.3评估 395

18.4.4讨论 396

18.5案例研究2：网络搜索共享 396

18.5.1 HeyStaks系统 397

18.5.2 HeyStaks推荐引擎 399

18.5.3评估 400

18.5.4讨论 402

18.6总结 402

致谢 403

参考文献 403

第19章 社会化标签推荐系统 409

19.1简介 409

19.2社会化标签推荐系统 410

19.2.1大众分类法 410

19.2.2传统推荐系统范式 411

19.2.3多模式推荐 412

19.3现实社会化标签推荐系统 413

19.3.1有哪些挑战 413

19.3.2案例BibSonomy 413

19.3.3标签获取 415

19.4社会化标签系统的推荐算法 416

19.4.1协同过滤 416

19.4.2基于排序的推荐 418

19.4.3基于内容的社会化标签推荐系统 421

19.4.4评估方案和评估度量 423

19.5算法比较 424

19.6总结与展望 426

参考文献 427

第20章 信任和推荐 430

20.1简介 430

20.2信任的表示与计算 431

20.2.1信任表示 431

20.2.2信任计算 433

20.3信任增强推荐系统 436

20.3.1动机 436

20.3.2进展 437

20.3.3实验比较 441

20.4进展和开放性挑战 445

20.5总结 446

参考文献 446

第21章 组推荐系统 449

21.1简介 449

21.2应用场景和群组推荐系统分类 450

21.2.1交互式电视 450

21.2.2环绕智能 450

21.2.3基于场景的推荐系统 451

21.2.4基于分类的群组推荐 451

21.3合并策略 452

21.3.1合并策略概览 452

21.3.2合并策略在相关工作中的应用 453

21.3.3哪种策略效果最好 454

21.4序列顺序的影响 455

21.5对情感状态建模 456

21.5.1对个人的满意度进行建模 457

21.5.2个人满意度对群组的影响 458

21.6情感状态在合并策略中的使用 459

21.7对单个用户进行组推荐 460

21.7.1多准则 460

21.7.2冷启动问题 461

21.7.3虚拟组成员 462

21.8总结与挑战 462

21.8.1提出的主要问题 463

21.8.2警告：组建模 463

21.8.3面临的挑战 464

致谢 464

参考文献 465

第五部分 高级算法 468

第22章 推荐系统中的偏好聚合 468

22.1简介 468

22.2推荐系统中的聚合类型 468

22.2.1协同过滤中的偏好聚合 470

22.2.2 CB与UB推荐中的特性聚合 470

22.2.3 CB与UB的配置文件构建 470

22.2.4物品和用户相似度以及邻居的形成 471

22.2.5基于实例推理的连接词在推荐系统中的应用 472

22.2.6加权混合系统 472

22.3聚合函数概论 472

22.3.1定义和属性 472

22.3.2聚合成员 475

22.4聚合函数的构建 479

22.4.1数据收集和处理 479

22.4.2期望属性、语义、解释 480

22.4.3函数表现的复杂度及其理解 481

22.4.4权重和参数的确定 482

22.5推荐系统中的复杂聚合过程：为特定应用定制 482

22.6总结 485

22.7进阶阅读 485

致谢 486

参考文献 486

第23章 推荐系统中的主动学习 488

23.1简介 488

23.1.1推荐系统中主动学习的目标 489

23.1.2例证 490

23.1.3主动学习的类型 490

23.2数据集的属性 491

23.3主动学习在推荐系统中的应用 492

23.4主动学习公式 493

23.5基于不确定性的主动学习 495

23.5.1输出不确定性 495

23.5.2决策边界不确定性 496

23.5.3模型不确定性 497

23.6基于误差的主动学习 498

23.6.1基于实例的方法 498

23.6.2基于模型的方法 500

23.7基于组合的主动学习 501

23.7.1基于模型的方法 501

23.7.2基于候选的方法 502

23.8基于会话的主动学习 504

23.8.1基于实例的评论 504

23.8.2基于多样性的方法 504

23.8.3基于查询编辑的方法 505

23.9计算因素考虑 505

23.10总结 505

致谢 506

参考文献 506

第24章 多准则推荐系统 510

24.1简介 510

24.2推荐作为多准则决策问题 511

24.2.1决策目标 512

24.2.2准则簇 512

24.2.3全局偏好模型 513

24.2.4决策支持流程 513

24.3推荐系统的MCDM框架：经验教训 515

24.4多准则评分推荐 517

24.4.1传统的单值评分推荐问题 517

24.4.2引入多准则评分来扩展传统推荐系统 518

24.5多准则评分推荐算法综述 519

24.5.1预测中使用多准则评分 519

24.5.2推荐中使用多准则评分 524

24.6讨论及未来工作 526

24.7总结 527

致谢 528

参考文献 528

第25章 具有健壮性的协同推荐 533

25.1简介 533

25.2问题定义 534

25.3攻击分类 536

25.3.1基础攻击 536

25.3.2非充分信息攻击 537

25.3.3打压攻击模型 537

25.3.4知情攻击模型 538

25.4检测系统健壮性 539

25.4.1评估矩阵 539

25.4.2推举攻击 540

25.4.3打压攻击 541

25.4.4知情攻击 542

25.4.5攻击效果 543

25.5攻击检测 543

25.5.1评估矩阵 544

25.5.2单用户检测 544

25.5.3用户组检测 545

25.5.4检测结果 548

25.6健壮的推荐算法 548

25.6.1基于模型的推荐 548

25.6.2健壮的矩阵分解算法 549

25.6.3其他具有健壮性的推荐算法 549

25.6.4影响力限制器和基于信誉的推荐 550

25.7总结 550

致谢 551

参考文献 551

本书贡献者名单 554

翻译团队名单 560