第1章 引言 1
1.1第一部分：基本概念 2
1.1.1协同过滤推荐 2
1.1.2基于内容的推荐 2
1.1.3基于知识的推荐 3
1.1.4混合推荐方法 4
1.1.5推荐系统的解释 4
1.1.6评估推荐系统 4
1.1.7案例研究 5
1.2第二部分：最新进展 5
第一部分 基本概念 8
第2章 协同过滤推荐 8
2.1基于用户的最近邻推荐 8
2.1.1第一个例子 8
2.1.2更好的相似度和赋权体系 10
2.1.3选择近邻 11
2.2基于物品的最近邻推荐 11
2.2.1余弦相似度度量 12
2.2.2基于物品过滤的数据预处理 13
2.3关于评分 14
2.3.1隐式和显式评分 14
2.3.2数据稀疏和冷启动问题 15
2.4更多基于模型和预处理的方法 16
2.4.1矩阵因子分解 17
2.4.2关联规则挖掘 20
2.4.3基于概率分析的推荐方法 22
2.5近来实际的方法和系统 25
2.5.1 Slope One预测器 26
2.5.2 Google新闻个性化推荐引擎 28
2.6讨论和小结 30
2.7书目注释 31
第3章 基于内容的推荐 32
3.1内容表示和相似度 33
3.1.1向量空间模型和TF-IDF 34
3.1.2向量空间模型的改进及局限 35
3.2基于内容相似度检索 36
3.2.1最近邻 36
3.2.2相关性反馈——Rocchio方法 37
3.3其他文本分类方法 40
3.3.1基于概率模型的方法 40
3.3.2其他线性分类器和机器学习 43
3.3.3显式决策模型 44
3.3.4特征选择 45
3.4讨论 47
3.4.1对比评估 47
3.4.2局限 47
3.5小结 48
3.6书目注释 49
第4章 基于知识的推荐 51
4.1介绍 51
4.2知识表示法和推理 52
4.2.1约束 52
4.2.2实例与相似度 54
4.3与基于约束推荐系统交互 55
4.3.1默认设置 55
4.3.2处理不满意的需求和空结果集 57
4.3.3提出对未满足需求的修改建议 61
4.3.4对基于物品/效用推荐结果的排序 61
4.4与基于实例的推荐系统交互 64
4.4.1评价 65
4.4.2混合评价 67
4.4.3动态评价 67
4.4.4高级的物品推荐方法 70
4.4.5评价多样性 71
4.5应用实例 72
4.5.1 VITA——基于约束的推荐系统 72
4.5.2 Entree——基于实例的推荐系统 77
4.6书目注释 79
第5章 混合推荐方法 80
5.1混合推荐的时机 81
5.1.1推荐理论框架 81
5.1.2混合设计 82
5.2整体式混合设计 83
5.2.1特征组合的混合方案 84
5.2.2特征补充的混合方案 85
5.3并行式混合设计 87
5.3.1交叉式混合 87
5.3.2加权式混合 88
5.3.3切换式混合 89
5.4流水线混合设计 90
5.4.1串联混合 90
5.4.2分级混合 91
5.5讨论和小结 92
5.6书目注释 92
第6章 推荐系统的解释 94
6.1介绍 94
6.2基于约束的推荐系统中的解释 96
6.2.1实例 97
6.2.2通过推导生成解释 99
6.2.3可靠解释的分析与概述 100
6.2.4可靠解释 102
6.3基于实例推荐系统的解释 103
6.4协同过滤推荐系统的解释 106
6.5小结 108
第7章 评估推荐系统 109
7.1介绍 109
7.2评估研究的一般特性 110
7.2.1总论 110
7.2.2评估方案的实验对象 111
7.2.3研究方法 113
7.2.4评估环境 115
7.3主流推荐方案 115
7.4历史数据集评估 116
7.4.1方法论 116
7.4.2衡量标准 117
7.4.3结果的分析 121
7.5其他评估方案 121
7.5.1实验性研究方案 122
7.5.2准实验研究方案 122
7.5.3非实验研究方案 123
7.6小结 123
7.7书目注释 124
第8章 案例分析：移动互联网个性化游戏推荐 125
8.1应用与个性化概述 126
8.2算法和评级 128
8.3评估 128
8.3.1测量1：我的推荐 129
8.3.2测量2：售后推荐 131
8.3.3测量3：起始页推荐 133
8.3.4测量4：演示版下载的整体效果 135
8.3.5测量5：整体效果 136
8.4小结与结论 138
第二部分 最新进展 140
第9章 针对协同推荐系统的攻击 140
9.1第一个例子 141
9.2攻击维度 141
9.3攻击类型 142
9.3.1随机攻击 142
9.3.2均值攻击 143
9.3.3造势攻击 143
9.3.4局部攻击 143
9.3.5针对性的打压攻击 144
9.3.6点击流攻击和隐式反馈 144
9.4效果评估和对策 145
9.4.1推举攻击 145
9.4.2打压攻击 146
9.5对策 146
9.6隐私方面——分布式协同过滤 148
9.6.1集中方法：数据扰动 149
9.6.2分布式协同过滤 150
9.7讨论 153
第10章 在线消费决策 155
10.1介绍 155
10.2环境效应 156
10.3首位/新近效应 159
10.4其他效应 160
10.5个人和社会心理学 161
10.6书目注释 167
第11章 推荐系统和下一代互联网 168
11.1基于信任网络的推荐系统 169
11.1.1利用显式的信任网络 169
11.1.2信任度度量方法和效果 171
11.1.3相关方法和近期进展 172
11.2大众分类法及其他 174
11.2.1基于大众分类法的推荐 174
11.2.2推荐标签 181
11.2.3在分享媒体中推荐内容 183
11.3本体过滤 185
11.3.1通过分类改进过滤 185
11.3.2通过属性改进过滤 188
11.4从网络抽取语义 189
11.5小结 191
第12章 普适环境中的推荐 192
12.1介绍 192
12.2上下文感知推荐 193
12.3应用领域 195
12.4小结 197
第13章 总结和展望 198
13.1总结 198
13.2展望 198
参考文献 201
索引 223