推薦系統(tǒng)

目錄目錄前言
第1章概述1
1.1推薦系統(tǒng)簡(jiǎn)介1
1.1.1信息超載1
1.1.2長(zhǎng)尾效應(yīng)2
1.1.3推薦系統(tǒng)的價(jià)值3
1.2推薦系統(tǒng)的發(fā)展歷史3
1.3個(gè)性化推薦4
1.3.1用戶畫像4
1.3.2項(xiàng)目畫像6
1.4應(yīng)用場(chǎng)景6
1.4.1電商6
1.4.2新聞6
1.4.3音樂8
1.5推薦系統(tǒng)框架與形式化定義9
1.6推薦算法分類9
1.6.1基于算法思想的分類10
1.6.2基于應(yīng)用問題的分類12
習(xí)題13
第2章基于鄰域的協(xié)同過濾14
2.1協(xié)同過濾簡(jiǎn)介14
2.1.1基本思想14
2.1.2算法分類15
2.1.3一般流程15
2.2基于用戶的協(xié)同過濾16
2.2.1TopN推薦17
2.2.2評(píng)分預(yù)測(cè)19
2.3基于項(xiàng)目的協(xié)同過濾22
2.3.1TopN推薦22
2.3.2評(píng)分預(yù)測(cè)24
2.4基于距離的相似度度量26
2.5Slope One算法27
2.6基于二部圖的協(xié)同過濾28
2.6.1激活擴(kuò)散模型29
2.6.2物質(zhì)擴(kuò)散模型30
2.6.3熱傳導(dǎo)模型33
習(xí)題35
第3章基于模型的協(xié)同過濾36
3.1基于關(guān)聯(lián)規(guī)則的協(xié)同過濾36
3.1.1基本概念37
3.1.2關(guān)聯(lián)規(guī)則度量37
3.1.3Apriori關(guān)聯(lián)規(guī)則挖掘算法38
3.1.4關(guān)聯(lián)規(guī)則的相關(guān)分析39
3.2基于矩陣分解的評(píng)分預(yù)測(cè)41
3.2.1奇異值分解41
3.2.2隱語(yǔ)義模型43
3.2.3概率矩陣分解47
3.2.4SVD++模型50
3.3基于矩陣分解的TopN推薦51
3.3.1基于正樣本過采樣的矩陣分解51
3.3.2基于負(fù)樣本欠采樣的矩陣分解52
習(xí)題53
第4章基于內(nèi)容和知識(shí)的推薦54
4.1基于內(nèi)容的推薦系統(tǒng)框架54
4.2基于詞向量空間模型的文本表示56
4.2.1詞袋模型56
4.2.2TFIDF模型57
4.2.3模型改進(jìn)58
4.2.4余弦相似度58
4.3基于語(yǔ)義的內(nèi)容相似度59
4.3.1基于本體的文本相似度59
4.3.2基于網(wǎng)絡(luò)知識(shí)的文本相似度60
4.3.3基于語(yǔ)料庫(kù)的文本相似度62
4.4基于知識(shí)的推薦63
4.4.1基于約束的推薦63
4.4.2基于效用的推薦65
4.4.3基于實(shí)例的推薦66
習(xí)題68
第5章混合推薦系統(tǒng)69
5.1混合推薦實(shí)例——Netflix百萬(wàn)美金公開賽69
5.2混合/組合推薦的動(dòng)機(jī)71
5.2.1實(shí)踐經(jīng)驗(yàn)71
5.2.2理論依據(jù)72
5.3混合/組合方法分類73
5.3.1有監(jiān)督組合和無(wú)監(jiān)督組合73
5.3.2并行式混合、串行式混合和整體式混合74
5.4并行式混合推薦75
5.4.1加權(quán)式混合75
5.4.2切換式混合76
5.4.3排序混合77
5.5串行式混合推薦78
5.5.1級(jí)聯(lián)過濾78
5.5.2級(jí)聯(lián)學(xué)習(xí)79
5.6整體式混合推薦80
5.6.1特征組合80
5.6.2特征擴(kuò)充80
5.6.3基于圖模型的混合81
習(xí)題82
第6章推薦系統(tǒng)評(píng)測(cè)83
6.1評(píng)測(cè)視角83
6.2實(shí)驗(yàn)方法84
6.2.1在線實(shí)驗(yàn)84
6.2.2用戶調(diào)查85
6.2.3離線實(shí)驗(yàn)85
6.3評(píng)分預(yù)測(cè)評(píng)價(jià)指標(biāo)86
6.3.1MAE和MSE87
6.3.2RMSE、NMAE和NRMSE87
6.4TopN推薦評(píng)價(jià)指標(biāo)87
6.4.1分類準(zhǔn)確度指標(biāo)88
6.4.2ROC曲線和AUC值90
6.4.3基于排序的評(píng)價(jià)指標(biāo)91
6.4.4其他常用評(píng)價(jià)指標(biāo)93
6.5公開實(shí)驗(yàn)數(shù)據(jù)集94
習(xí)題96
第7章基于排序?qū)W習(xí)的推薦97
7.1排序?qū)W習(xí)模型分類97
7.2對(duì)級(jí)排序?qū)W習(xí)模型99
7.2.1基本框架99
7.2.2貝葉斯個(gè)性化排序100
7.2.3協(xié)同對(duì)級(jí)排序?qū)W習(xí)102
7.3列表級(jí)排序?qū)W習(xí)模型106
7.3.1PPush CR算法107
7.3.2CofiRank算法108
習(xí)題110
第8章基于情境感知的推薦111
8.1情境信息的定義111
8.2情境信息的獲取113
8.3基于情境感知的推薦系統(tǒng)框架113
8.3.1數(shù)據(jù)立方體114
8.3.2基于樹的層次信息表達(dá)115
8.4融合情境信息的推薦模型116
8.4.1情境預(yù)過濾117
8.4.2情境后過濾118
8.5情境建模118
8.5.1基于鄰域的方法119
8.5.2基于模型的方法120
習(xí)題121
第9章基于時(shí)空信息的推薦122
9.1基于時(shí)間信息的推薦122
9.1.1最近最熱門推薦算法123
9.1.2基于時(shí)間的項(xiàng)目協(xié)同過濾123
9.1.3基于時(shí)間的用戶協(xié)同過濾124
9.1.4基于會(huì)話的推薦125
9.2基于序列感知的推薦126
9.2.1基于馬爾可夫模型的序列預(yù)測(cè)127
9.2.2基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列預(yù)測(cè)130
9.3基于空間信息的推薦132
9.3.1位置信息的獲取與推理132
9.3.2基于位置信息的推薦133
9.3.3融合其他信息的推薦134
習(xí)題135
第10章基于社交關(guān)系的推薦136
10.1社交關(guān)系數(shù)據(jù)136
10.2基于鄰域的社交化推薦138
10.2.1基于用戶的協(xié)同過濾138
10.2.2基于圖擴(kuò)散的推薦139
10.3基于模型的社交化推薦141
10.3.1基于潛在社交因子學(xué)習(xí)的推薦141
10.3.2基于顯式社交關(guān)系的推薦143
10.4基于社會(huì)曝光的協(xié)同過濾146
習(xí)題148
第11章基于異質(zhì)信息網(wǎng)絡(luò)的推薦149
11.1基本概念149
11.2基于鄰域的HIN推薦算法150
11.2.1基于隨機(jī)游走的相關(guān)度度量150
11.2.2基于元路徑的相關(guān)度度量151
11.2.3基于元路徑和隨機(jī)游走混合的相關(guān)度度量154
11.3基于模型的HIN推薦算法155
11.3.1兩階段融合模型155
11.3.2端到端的學(xué)習(xí)模型160
習(xí)題163
參考文獻(xiàn)164