第1章 绪论 1
1.1研究背景与意义 1
1.2国内外研究现状及分析 4
1.3信息推荐目前存在的主要问题 7
1.4本书结构与研究内容 9
第2章 大数据语义推荐算法 11
2.1引言 11
2.2传统推荐算法 12
2.3基于语义的内容推荐算法 14
2.4基于语义的协同过滤推荐算法 18
2.5基于语义的混合推荐算法 21
2.6基于语义的社会化推荐算法 23
2.7讨论与挑战 26
2.8本章小结 29
第3章 基于排序学习的大数据推荐算法 30
3.1引言 30
3.2基于排序学习的推荐算法框架 32
3.3基于排序学习的推荐算法关键技术 34
3.4排序学习的效用评价准则 46
3.5基于排序学习的推荐算法应用进展 48
3.6基于排序学习的推荐算法研究趋势展望 52
3.7本章小结 54
第4章 云环境下top-n推荐算法 55
4.1引言 55
4.2MDSA 56
4.3数据编码模式 58
4.4基于map/reduce的top-n推荐算法 61
4.5top-n推荐应用扩展 64
4.6本章小结 66
第5章 分布式网络中的轮廓推荐预处理技术 68
5.1引言 68
5.2预备知识 70
5.3预处理方法描述 75
5.4预处理方法分析 90
5.5本章小结 96
第6章 分布式网络中轮廓推荐方法 98
6.1引言 98
6.2问题描述 99
6.3精确选择最优的预存储轮廓快照 101
6.4EMSRDN算法 102
6.5本章小结 108
第7章 实时k-quasi轮廓推荐方法 110
7.1引言 110
7.2k-quasi轮廓推荐 111
7.3有效处理任意维空间k-quasi轮廓推荐 113
7.4优化多个维空间k-quasi轮廓推荐 122
7.5k-quasi轮廓推荐扩展 127
7.6本章小结 129
第8章 大数据轮廓类推荐理论与方法 131
8.1引言 131
8.2轮廓类操作符 132
8.3有效实施轮廓类操作符 135
8.4本章小结 144
第9章 大数据K-均值类推荐技术 145
9.1引言 145
9.2K-均值类推荐思想 146
9.3基于正规格的K-均值类推荐算法 147
9.4本章小结 154
参考文献 155