推薦系統(tǒng)

目錄目錄前言
第1章概述1
1.1推薦系統(tǒng)簡介1
1.1.1信息超載1
1.1.2長尾效應(yīng)2
1.1.3推薦系統(tǒng)的價值3
1.2推薦系統(tǒng)的發(fā)展歷史3
1.3個性化推薦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評分預(yù)測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評分預(yù)測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基于矩陣分解的評分預(yù)測41
3.2.1奇異值分解41
3.2.2隱語義模型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)知識的文本相似度60
4.3.3基于語料庫的文本相似度62
4.4基于知識的推薦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百萬美金公開賽69
5.2混合/組合推薦的動機(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級聯(lián)過濾78
5.5.2級聯(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)評測83
6.1評測視角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評分預(yù)測評價指標(biāo)86
6.3.1MAE和MSE87
6.3.2RMSE、NMAE和NRMSE87
6.4TopN推薦評價指標(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基于排序的評價指標(biāo)91
6.4.4其他常用評價指標(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對級排序?qū)W習(xí)模型99
7.2.1基本框架99
7.2.2貝葉斯個性化排序100
7.2.3協(xié)同對級排序?qū)W習(xí)102
7.3列表級排序?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章基于時空信息的推薦122
9.1基于時間信息的推薦122
9.1.1最近最熱門推薦算法123
9.1.2基于時間的項(xiàng)目協(xié)同過濾123
9.1.3基于時間的用戶協(xié)同過濾124
9.1.4基于會話的推薦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127
9.2.2基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列預(yù)測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