推薦系統(tǒng)

 
第1章　引言　　1
1.1　 第一部分：基本概念　　2
1.1.1　 協(xié)同過濾推薦　　2
1.1.2　 基于內容的推薦　　2
1.1.3　 基于知識的推薦　　3
1.1.4　 混合推薦方法　　4
1.1.5　 推薦系統(tǒng)的解釋　　4
1.1.6　 評估推薦系統(tǒng)　　4
1.1.7　 案例研究　　5
1.2　 第二部分：最新進展　　5
第一部分　基本概念
第2章　協(xié)同過濾推薦　　8
2.1　 基于用戶的最近鄰推薦　　8
2.1.1　 第一個例子　　8
2.1.2　 更好的相似度和賦權體系　　10
2.1.3　 選擇近鄰　　11
2.2　 基于物品的最近鄰推薦　　11
2.2.1　 余弦相似度度量　　12
2.2.2　 基于物品過濾的數(shù)據(jù)預處理　　13
2.3　 關于評分　　14
2.3.1　 隱式和顯式評分　　14
2.3.2　 數(shù)據(jù)稀疏和冷啟動問題　　15
2.4　 更多基于模型和預處理的方法　　16
2.4.1　 矩陣因子分解　　17
2.4.2　 關聯(lián)規(guī)則挖掘　　20
2.4.3　 基于概率分析的推薦方法　　22
2.5　 近來實際的方法和系統(tǒng)　　25
2.5.1　 Slope One預測器　　26
2.5.2　 Google新聞個性化推薦引擎　　28
2.6　 討論和小結　　30
2.7　 書目注釋　　31
第3章　基于內容的推薦　　32
3.1　 內容表示和相似度　　33
3.1.1　 向量空間模型和TF-IDF　　34
3.1.2　 向量空間模型的改進及局限　　35
3.2　 基于內容相似度檢索　　36
3.2.1　 最近鄰　　36
3.2.2　 相關性反饋——Rocchio方法　　37
3.3　 其他文本分類方法　　40
3.3.1　 基于概率模型的方法　　40
3.3.2　 其他線性分類器和機器學習　　43
3.3.3　 顯式決策模型　　44
3.3.4　 特征選擇　　45
3.4　 討論　　47
3.4.1　 對比評估　　47
3.4.2　 局限　　47
3.5　 小結　　48
3.6　 書目注釋　　49
第4章　基于知識的推薦　　51
4.1　 介紹　　51
4.2　 知識表示法和推理　　52
4.2.1　 約束　　52
4.2.2　 實例與相似度　　54
4.3　 與基于約束推薦系統(tǒng)交互　　55
4.3.1　 默認設置　　55
4.3.2　 處理不滿意的需求和空結果集　　57
4.3.3　 提出對未滿足需求的修改建議　　61
4.3.4　 對基于物品/效用推薦結果的排序　　61
4.4　 與基于實例的推薦系統(tǒng)交互　　64
4.4.1　 評價　　65
4.4.2　 混合評價　　67
4.4.3　 動態(tài)評價　　67
4.4.4　 高級的物品推薦方法　　70
4.4.5　 評價多樣性　　71
4.5　 應用實例　　72
4.5.1　 VITA——基于約束的推薦系統(tǒng)　　72
4.5.2　 Entree——基于實例的推薦系統(tǒng)　　77
4.6　 書目注釋　　79
第5章　混合推薦方法　　80
5.1　 混合推薦的時機　　81
5.1.1　 推薦理論框架　　81
5.1.2　 混合設計　　82
5.2　 整體式混合設計　　83
5.2.1　 特征組合的混合方案　　84
5.2.2　 特征補充的混合方案　　85
5.3　 并行式混合設計　　87
5.3.1　 交叉式混合　　87
5.3.2　 加權式混合　　88
5.3.3　 切換式混合　　89
5.4　 流水線混合設計　　90
5.4.1　 串聯(lián)混合　　90
5.4.2　 分級混合　　91
5.5　 討論和小結　　92
5.6　 書目注釋　　92
第6章　推薦系統(tǒng)的解釋　　94
6.1　 介紹　　94
6.2　 基于約束的推薦系統(tǒng)中的解釋　　96
6.2.1　 實例　　97
6.2.2　 通過推導生成解釋　　99
6.2.3　 可靠解釋的分析與概述　　100
6.2.4　 可靠解釋　　102
6.3　 基于實例推薦系統(tǒng)的解釋　　103
6.4　 協(xié)同過濾推薦系統(tǒng)的解釋　　106
6.5　 小結　　108
第7章　評估推薦系統(tǒng)　　109
7.1　 介紹　　109
7.2　 評估研究的一般特性　　110
7.2.1　 總論　　110
7.2.2　 評估方案的實驗對象　　111
7.2.3　 研究方法　　113
7.2.4　 評估環(huán)境　　115
7.3　 主流推薦方案　　115
7.4　 歷史數(shù)據(jù)集評估　　116
7.4.1　 方法論　　116
7.4.2　 衡量標準　　117
7.4.3　 結果的分析　　121
7.5　 其他評估方案　　121
7.5.1　 實驗性研究方案　　122
7.5.2　 準實驗研究方案　　122
7.5.3　 非實驗研究方案　　123
7.6　 小結　　123
7.7　 書目注釋　　124
第8章　案例分析：移動互聯(lián)網(wǎng)個性化游戲推薦　　125
8.1　 應用與個性化概述　　126
8.2　 算法和評級　　128
8.3　 評估　　128
8.3.1　 測量1：我的推薦　　129
8.3.2　 測量2：售后推薦　　131
8.3.3　 測量3：起始頁推薦　　133
8.3.4　 測量4：演示版下載的整體效果　　135
8.3.5　 測量5：整體效果　　136
8.4　 小結與結論　　138
第二部分　最新進展
第9章　針對協(xié)同推薦系統(tǒng)的攻擊　　140
9.1　 第一個例子　　141
9.2　 攻擊維度　　141
9.3　 攻擊類型　　142
9.3.1　 隨機攻擊　　142
9.3.2　 均值攻擊　　143
9.3.3　 造勢攻擊　　143
9.3.4　 局部攻擊　　143
9.3.5　 針對性的打壓攻擊　　144
9.3.6　 點擊流攻擊和隱式反饋　　144
9.4　 效果評估和對策　　145
9.4.1　 推舉攻擊　　145
9.4.2　 打壓攻擊　　146
9.5　 對策　　146
9.6　 隱私方面——分布式協(xié)同過濾　　148
9.6.1　 集中方法：數(shù)據(jù)擾動　　149
9.6.2　 分布式協(xié)同過濾　　150
9.7　 討論　　153
第10章　在線消費決策　　155
10.1　 介紹　　155
10.2　 環(huán)境效應　　156
10.3　 首位/新近效應　　159
10.4　 其他效應　　160
10.5　 個人和社會心理學　　161
10.6　 書目注釋　　167
第11章　推薦系統(tǒng)和下一代互聯(lián)網(wǎng)　　168
11.1　 基于信任網(wǎng)絡的推薦系統(tǒng)　　169
11.1.1　 利用顯式的信任網(wǎng)絡　　169
11.1.2　 信任度度量方法和效果　　171
11.1.3　 相關方法和近期進展　　172
11.2　 大眾分類法及其他　　174
11.2.1　 基于大眾分類法的推薦　　174
11.2.2　 推薦標簽　　181
11.2.3　 在分享媒體中推薦內容　　183
11.3　 本體過濾　　185
11.3.1　 通過分類改進過濾　　185
11.3.2　 通過屬性改進過濾　　188
11.4　 從網(wǎng)絡抽取語義　　189
11.5　 小結　　191
第12章　普適環(huán)境中的推薦　　192
12.1　 介紹　　192
12.2　 上下文感知推薦　　193
12.3　 應用領域　　195
12.4　 小結　　197
第13章　總結和展望　　198
13.1　 總結　　198
13.2　 展望　　198
參考文獻　　201
索引　　223