第1章 推荐系统 1
1.1 推荐系统的简介 1
1.2 推荐系统的挑战 4
1.2.1 数据端的挑战 4
1.2.2 模型端的挑战 6
1.2.3 评估端的挑战 8
1.3 LibRec开源库 11
1.3.1 LibRec简介 11
1.3.2 LibRec框架 12
1.3.3 LibRec安装 20
1.4 协同过滤算法 22
1.4.1 基于内存的推荐算法 23
1.4.2 基于模型的推荐算法 31
1.4.3 推荐算法的测试评估 37
参考文献 43
第2章 用户反馈 44
2.1 传统评分反馈 44
2.1.1 相似度测量 44
2.1.2 贝叶斯相似度 47
2.1.3 相似度分析 53
2.1.4 实验评估 56
2.2 前置评分反馈 68
2.2.1 前置评分 69
2.2.2 用户调查 72
2.2.3 PRCF模型 79
2.2.4 要点讨论 84
2.3 异质隐式反馈 84
2.3.1 辅助反馈 85
2.3.2 BPRH模型 86
2.3.3 GcBPR模型 93
2.3.4 要点讨论 100
参考文献 101
第3章 社会化推荐系统 103
3.1 社会化推荐系统简介 103
3.1.1 评分预测算法 104
3.1.2 物品推荐算法 106
3.1.3 远景与挑战 107
3.2 社交感知的最近邻模型 108
3.2.1 Merge模型 108
3.2.2 案例与分析 113
3.2.3 实验评估 116
3.3 多视图聚类的推荐模型 121
3.3.1 多视图聚类 122
3.3.2 SVR回归预测 127
3.3.3 冷启动用户 129
3.3.4 实验评估 131
3.4 社交增强的矩阵分解模型 137
3.4.1 信任分析 137
3.4.2 TrustSVD模型 141
3.4.3 FST模型 150
参考文献 159
第4章 信任计算 161
4.1 基本信任模型 161
4.1.1 认知信任 161
4.1.2 信任度量 162
4.1.3 实验评估 166
4.2 扩展的信任因子框架模型 170
4.2.1 TAF模型 170
4.2.2 ETAF模型 171
4.2.3 实验评估 176
4.3 多因子信任模型 181
4.3.1 信任框架 182
4.3.2 信任精化 183
4.3.3 实验评估 186
4.4 非线性信任模型 191
4.4.1 TrustNCF模型 191
4.4.2 模型分析 196
4.4.3 实验评估 197
参考文献 200
第5章 情景感知推荐 202
5.1 类别感知推荐模型 202
5.1.1 类别与偏好分析 204
5.1.2 类别感知推荐 207
5.1.3 实验评估 212
5.2 评论感知推荐模型 217
5.2.1 评论感知推荐概述 218
5.2.2 ADR模型 219
5.2.3 实验评估 222
5.3 地理感知推荐模型 226
5.3.1 地理与偏好分析 227
5.3.2 GeoBPR模型 228
5.3.3 实验评估 231
5.4 时间感知推荐模型 234
5.4.1 时间与偏好分析 235
5.4.2 PCCF模型 240
5.4.3 实验评估 245
参考文献 248