推荐系统

目　录

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...

目　录

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

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-IDF34

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

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

协同过滤推荐方法的主要思想是，利用已有用户群过去的行为或意见预测当前用户最可能喜欢哪些东西或对哪些东西感兴趣。此类型的系统已经在业界广为使用，主要作为在线零售系统对某个顾客需求个性化定制内容的工具，由此可以促销商品和提升销售额。 从研究角度来看，人们探索此类型的系统已经很多年了，它们的优势、性能和局限也都广为人知。这么多年来，人们提出了各种算法和技术，而且在实际环境和人工测试数据上得以成功验证。...

(查看全部试读)