推薦系統(tǒng)：原理與實踐

目錄
Recommender Systems: The Textbook
出版者的話
譯者序
前言
致謝
作者簡介
第1章推薦系統(tǒng)概述
1.1引言
1.2推薦系統(tǒng)的目標
1.2.1推薦系統(tǒng)應(yīng)用范圍
1.3推薦系統(tǒng)的基本模型
1.3.1協(xié)同過濾模型
1.3.2基于內(nèi)容的推薦系統(tǒng)
1.3.3基于知識的推薦系統(tǒng)
1.3.4人口統(tǒng)計推薦系統(tǒng)
1.3.5混合集成的推薦系統(tǒng)
1.3.6對推薦系統(tǒng)的評價
1.4推薦系統(tǒng)領(lǐng)域特有的挑戰(zhàn)
1.4.1基于上下文的推薦系統(tǒng)
1.4.2時間敏感的推薦系統(tǒng)
1.4.3基于位置的推薦系統(tǒng)
1.4.4社交信息系統(tǒng)
1.5高級論題和應(yīng)用
1.5.1推薦系統(tǒng)中的冷啟動問題
1.5.2抗攻擊推薦系統(tǒng)
1.5.3組推薦系統(tǒng)
1.5.4多標準推薦系統(tǒng)
1.5.5推薦系統(tǒng)中的主動學習
1.5.6推薦系統(tǒng)中的隱私問題
1.5.7應(yīng)用領(lǐng)域
1.6小結(jié)
1.7相關(guān)工作
1.8習題
第2章基于近鄰的協(xié)同過濾
2.1引言
2.2評分矩陣的關(guān)鍵性質(zhì)
2.3通過基于近鄰的方法預(yù)測評分
2.3.1基于用戶的近鄰模型
2.3.2基于物品的近鄰模型
2.3.3高效的實現(xiàn)和計算復雜度
2.3.4基于用戶的方法和基于物品的方法的比較
2.3.5基于近鄰方法的優(yōu)劣勢
2.3.6基于用戶的方法和基于物品的方法的聯(lián)合
2.4聚類和基于近鄰的方法
2.5降維與近鄰方法
2.5.1處理偏差
2.6近鄰方法的回歸模型視角
2.6.1基于用戶的最近鄰回歸
2.6.2基于物品的最近鄰回歸
2.6.3基于用戶的方法和基于物品的方法的結(jié)合
2.6.4具有相似度權(quán)重的聯(lián)合插值
2.6.5稀疏線性模型
2.7基于近鄰方法的圖模型
2.7.1用戶物品圖
2.7.2用戶用戶圖
2.7.3物品物品圖
2.8小結(jié)
2.9相關(guān)工作
2.10習題
第3章基于模型的協(xié)同過濾
3.1引言
3.2決策和回歸樹
3.2.1將決策樹擴展到協(xié)同過濾
3.3基于規(guī)則的協(xié)同過濾
3.3.1將關(guān)聯(lián)規(guī)則用于協(xié)同過濾
3.3.2面向物品的模型與面向用戶的模型
3.4樸素貝葉斯協(xié)同過濾
3.4.1處理過擬合
3.4.2示例：使用貝葉斯方法處理二元評分
3.5將任意分類模型當作黑盒來處理
3.5.1示例：使用神經(jīng)網(wǎng)絡(luò)作為黑盒分類器
3.6潛在因子模型
3.6.1潛在因子模型的幾何解釋
3.6.2潛在因子模型的低秩解釋
3.6.3基本矩陣分解原理
3.6.4無約束矩陣分解
3.6.5奇異值分解
3.6.6非負矩陣分解
3.6.7理解矩陣因子分解方法族
3.7集成因子分解和近鄰模型
3.7.1基準估計：非個性化偏倚中心模型
3.7.2模型的近鄰部分
3.7.3模型的潛在因子部分
3.7.4集成近鄰和潛在因子部分
3.7.5求解優(yōu)化模型
3.7.6關(guān)于精度的一些觀察
3.7.7將潛在因子模型集成到任意模型
3.8小結(jié)
3.9相關(guān)工作
3.10習題
第4章基于內(nèi)容的推薦系統(tǒng)
4.1引言
4.2基于內(nèi)容的系統(tǒng)的基本組件
4.3預(yù)處理和特征提取
4.3.1特征提取
4.3.2特征表示和清洗
4.3.3收集用戶的偏好
4.3.4監(jiān)督特征選擇和加權(quán)
4.4學習用戶畫像和過濾
4.4.1最近鄰分類
4.4.2與基于案例的推薦系統(tǒng)的關(guān)聯(lián)性
4.4.3貝葉斯分類器
4.4.4基于規(guī)則的分類器
4.4.5基于回歸的模型
4.4.6其他學習模型和比較概述
4.4.7基于內(nèi)容的系統(tǒng)的解釋
4.5基于內(nèi)容的推薦與協(xié)同推薦
4.6將基于內(nèi)容的模型用于協(xié)同過濾
4.6.1利用用戶畫像
4.7小結(jié)
4.8相關(guān)工作
4.9習題
第5章基于知識的推薦系統(tǒng)
5.1引言
5.2基于約束的推薦系統(tǒng)
5.2.1返回相關(guān)結(jié)果
5.2.2交互方法
5.2.3排序匹配的物品
5.2.4處理不可接受的結(jié)果或空集
5.2.5添加約束
5.3基于案例的推薦系統(tǒng)
5.3.1相似性度量
5.3.2批評方法
5.3.3批評的解釋
5.4基于知識的系統(tǒng)的持久個性化
5.5小結(jié)
5.6相關(guān)工作
5.7習題
第6章基于集成的混合推薦系統(tǒng)
6.1引言
6.2從分類角度看集成方法
6.3加權(quán)型混合系統(tǒng)
6.3.1幾種模型組合的方法
6.3.2對分類中的bagging算法的調(diào)整
6.3.3隨機性注入算法
6.4切換型混合系統(tǒng)
6.4.1為解決冷啟動問題的切換機制
6.4.2桶模型
6.5級聯(lián)型混合系統(tǒng)
6.5.1推薦結(jié)果的逐步優(yōu)化
6.5.2boosting算法
6.6特征放大型混合系統(tǒng)
6.7元級型混合系統(tǒng)
6.8特征組合型混合系統(tǒng)
6.8.1回歸分析和矩陣分解
6.8.2元級特征
6.9交叉型混合系統(tǒng)
6.10小結(jié)
6.11相關(guān)工作
6.12習題
第7章推薦系統(tǒng)評估
7.1引言
7.2評估范例
7.2.1用戶調(diào)查
7.2.2在線評估
7.2.3使用歷史數(shù)據(jù)集進行離線評估
7.3評估設(shè)計的總體目標
7.3.1精確性
7.3.2覆蓋率
7.3.3置信度和信任度
7.3.4新穎度
7.3.5驚喜度
7.3.6多樣性
7.3.7健壯性和穩(wěn)定性
7.3.8可擴展性
7.4離線推薦評估的設(shè)計要點
7.4.1Netflix Prize數(shù)據(jù)集的案例研究
7.4.2為訓練和測試分解評分
7.4.3與分類設(shè)計的比較
7.5離線評估的精確性指標
7.5.1度量預(yù)測評分的精確性
7.5.2通過相關(guān)性評估排名
7.5.3通過效用評估排名
7.5.4通過ROC曲線評估排名
7.5.5哪種排名方式最好
7.6評估指標的局限性
7.6.1避免評估游戲
7.7小結(jié)
7.8相關(guān)工作
7.9習題
第8章上下文敏感的推薦系統(tǒng)
8.1引言
8.2多維方法
8.2.1層級的重要性
8.3上下文預(yù)過濾：一種基于降維的方法
8.3.1基于集成的改進
8.3.2多級別的估計
8.4后過濾方法
8.5上下文建模
8.5.1基于近鄰的方法
8.5.2潛在因子模型
8.5.3基于內(nèi)容的模型
8.6小結(jié)
8.7相關(guān)工作
8.8習題
第9章時間與位