推荐系统 技术、评估及高效算法PDF|Epub|txt|kindle电子书版本网盘下载

推荐系统 技术、评估及高效算法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 概述1

1.1简介1

1.2推荐系统的功能3

1.3数据和知识资源5

1.4推荐技术7

1.5应用与评价10

1.6推荐系统与人机交互12

1.6.1信任、解释和说服力13

1.6.2会话系统13

1.6.3可视化14

1.7推荐系统是个交叉学科领域15

1.8出现的问题和挑战16

1.8.1本书对出现的问题的讨论16

1.8.2 挑战18

参考文献20

第一部分 基础技术28

第2章 推荐系统中的数据挖掘方法28

2.1简介28

2.2数据预处理29

2.2.1相似度度量方法29

2.2.2抽样30

2.2.3降维31

2.2.4去噪33

2.3分类34

2.3.1最近邻34

2.3.2决策树35

2.3.3基于规则的分类36

2.3.4贝叶斯分类器36

2.3.5人工神经网络38

2.3.6支持向量机39

2.3.7分类器的集成40

2.3.8评估分类器41

2.4聚类分析42

2.4.1 k-means43

2.4.2改进的k-means44

2.5关联规则挖掘44

2.6总结46

致谢47

参考文献47

第3章 基于内容的推荐系统：前沿和趋势51

3.1简介51

3.2基于内容的推荐系统的基础52

3.2.1基于内容的推荐系统的高层次结构52

3.2.2基于内容过滤的优缺点54

3.3基于内容的推荐系统的现状55

3.3.1物品表示56

3.3.2学习用户特征的方法62

3.4趋势和未来研究65

3.4.1推荐过程中用户产生内容的作用65

3.4.2超越特化：惊喜度66

3.5总结68

参考文献68

第4章 基于近邻推荐方法综述74

4.1简介74

4.1.1问题公式化定义75

4.1.2推荐方法概要76

4.1.3基于近邻方法的优势77

4.1.4目标和概要78

4.2基于近邻推荐78

4.2.1基于用户评分79

4.2.2基于用户分类80

4.2.3回归与分类80

4.2.4基于物品推荐81

4.2.5基于用户和基于物品推荐的对比81

4.3近邻方法的要素83

4.3.1评分标准化83

4.3.2相似度权重计算85

4.3.3近邻的选择89

4.4高级进阶技术90

4.4.1降维方法90

4.4.2基于图方法92

4.5总结95

参考文献96

第5章 协同过滤算法的高级课题100

5.1简介100

5.2预备知识101

5.2.1基准预测102

5.2.2 Netflix数据103

5.2.3隐式反馈103

5.3因子分解模型104

5.3.1 SVD104

5.3.2 SVD＋＋105

5.3.3时间敏感的因子模型106

5.3.4比较111

5.3.5总结112

5.4基于邻域的模型112

5.4.1相似度度量113

5.4.2基于相似度的插值113

5.4.3联合派生插值权重115

5.4.4总结117

5.5增强的基于邻域的模型117

5.5.1全局化的邻域模型118

5.5.2因式分解的邻域模型122

5.5.3基于邻域的模型的动态时序126

5.5.4总结127

5.6基于邻域的模型和因子分解模型的比较127

参考文献129

第6章 开发基于约束的推荐系统131

6.1简介131

6.2推荐知识库的开发133

6.3推荐过程中的用户导向137

6.4计算推荐结果142

6.5项目和案例研究的经验143

6.6未来的研究方法144

6.7总结147

参考文献147

第7章 情境感知推荐系统151

7.1简介151

7.2推荐系统中的情境152

7.2.1什么是情境152

7.2.2在推荐系统实现情境信息的建模155

7.2.3获取情境信息158

7.3结合情境的推荐系统形式159

7.3.1情境预过滤161

7.3.2情境后过滤163

7.3.3情境建模164

7.4多种方法结合167

7.4.1组合预过滤器案例研究：算法168

7.4.2组合预过滤器案例研究：实验结果168

7.5情境感知推荐系统的其他问题170

7.6总结171

致谢171

参考文献172

第二部分 推荐系统的应用与评估176

第8章 推荐系统评估176

8.1简介176

8.2实验设置177

8.2.1离线实验178

8.2.2用户调查180

8.2.3在线评估182

8.2.4得出可靠结论182

8.3推荐系统属性185

8.3.1用户偏好185

8.3.2预测准确度186

8.3.3覆盖率191

8.3.4置信度192

8.3.5信任度193

8.3.6新颖度194

8.3.7惊喜度195

8.3.8多样性195

8.3.9效用196

8.3.10风险197

8.3.11健壮性197

8.3.12隐私198

8.3.13适应性198

8.3.14可扩展性199

8.4总结199

参考文献199

第9章 IPTV服务提供商推荐系统：一个大规模真实产品环境的应用203

9.1简介203

9.2 IPTV架构204

9.3推荐系统架构206

9.3.1数据搜集206

9.3.2批处理和实时阶段207

9.4推荐算法208

9.4.1推荐算法概述209

9.4.2基于内容隐语义分析算法210

9.4.3基于物品的协同过滤算法213

9.4.4基于降维的协同过滤算法214

9.5推荐服务215

9.6系统评价216

9.6.1离线分析218

9.6.2在线分析220

9.7总结223

参考文献223

第10章 走出实验室的推荐系统225

10.1简介225

10.2设计现实环境中的推荐系统225

10.3理解推荐系统的环境226

10.3.1应用模型226

10.3.2用户建模230

10.3.3数据模型233

10.3.4一个使用环境模型的方法235

10.4在迭代设计过程中理解推荐验证步骤236

10.4.1算法的验证236

10.4.2推荐结果的验证237

10.5应用实例：一个语义新闻推荐系统240

10.5.1背景：MESH工程240

10.5.2 MESH的环境模型240

10.5.3实践：模型的迭代实例化243

10.6总结244

参考文献244

第11章 匹配推荐系统的技术与领域247

11.1简介247

11.2相关工作247

11.3知识源248

11.4领域250

11.4.1异构性250

11.4.2风险性251

11.4.3变动性251

11.4.4交互风格251

11.4.5偏好稳定性251

11.4.6可理解性252

11.5知识源252

11.5.1社群知识252

11.5.2个人知识253

11.5.3基于内容的知识253

11.6从领域到技术254

11.6.1算法255

11.6.2抽样推荐领域256

11.7总结257

致谢257

参考文献257

第12章 用于技术强化学习的推荐系统261

12.1简介261

12.2背景262

12.2.1 TEL作为上下文262

12.2.2 TEL推荐的目标263

12.3相关工作264

12.3.1自适应教育超媒体264

12.3.2学习网络265

12.3.3相同点与不同点267

12.4 TEL推荐系统调查268

12.5 TEL推荐系统的评估271

12.5.1对组件的评估272

12.5.2评估TEL推荐系统时需要考虑的问题273

12.6总结与展望274

致谢274

参考文献275

第三部分 推荐系统的影响282

第13章 基于评价推荐系统的进展282

13.1简介282

13.2早期：评价系统/已得益处282

13.3评价系统的表述与检索挑战283

13.3.1评价表述的方式283

13.3.2基于评价的推荐系统中的检索挑战289

13.4评价平台中的交互研究293

13.4.1扩展到其他评价平台294

13.4.2用户直接操作与限制用户控制的比较295

13.4.3支持性解释、置信和信任296

13.4.4可视化、自适应性和分区动态性297

13.4.5关于多文化的适用性的差异298

13.5评价的评估：资源、方法和标准298

13.5.1资源和方法298

13.5.2评估标准299

13.6总结与展望300

参考文献301

第14章 构建更值得信任和具有说服力的推荐系统：特性对评估推荐系统的影响305

14.1简介305

14.2推荐系统作为社交角色306

14.3来源可信度306

14.3.1可信度306

14.3.2专业能力307

14.3.3对来源可信度的影响307

14.4人际交互中信息特性的研究307

14.4.1相似度307

14.4.2喜好度308

14.4.3权威的象征308

14.4.4演讲的风格308

14.4.5外在吸引力308

14.4.6幽默309

14.5人机交互中的特性309

14.6用户与推荐系统交互的特性309

14.6.1推荐系统类型310

14.6.2输入特性310

14.6.3过程特性311

14.6.4输出特性311

14.6.5内嵌的智能体特性312

14.7讨论312

14.8影响313

14.9未来研究方向314

参考文献314

第15章 设计和评估推荐系统的解释321

15.1简介321

15.2指引322

15.3专家系统的说明322

15.4定义的目标322

15.4.1系统如何工作：透明性324

15.4.2允许用户告诉系统它是错误的：被理解324

15.4.3增加用户对系统上的信任：信任度325

15.4.4说服用户尝试或购买：说服力326

15.4.5帮助用户充分地决策：有效性327

15.4.6帮助用户快速制定决策：效率328

15.4.7使系统的应用愉悦：满意度328

15.5评估解释在推荐系统的作用329

15.5.1精准度329

15.5.2学习效率329

15.5.3覆盖度330

15.5.4接受度330

15.6用推荐设计展示与互动330

15.6.1展示推荐330

15.6.2与推荐系统交互331

15.7解释风格332

15.7.1基于协同风格333

15.7.2基于内容风格334

15.7.3基于案例风格334

15.7.4基于知识/自然语言风格335

15.7.5基于人口统计风格335

15.8总结与展望336

参考文献337

第16章 基于实例评价研究的产品推荐系统的可用性准则340

16.1简介340

16.2预备知识341

16.2.1交互模型341

16.2.2基于效用的推荐系统342

16.2.3准确率、信任度和代价的框架344

16.2.4本章结构344

16.3相关工作345

16.3.1推荐系统分类345

16.3.2基于评分的推荐系统345

16.3.3基于案例的推荐系统345

16.3.4基于效用的推荐系统345

16.3.5基于评价的推荐系统346

16.3.6其他设计指导准则346

16.4初始偏好提取347

16.5通过实例激励用户表示偏好349

16.5.1需要多少实例350

16.5.2需要哪些实例350

16.6偏好修正352

16.6.1偏好冲突和部分满足352

16.6.2权衡辅助353

16.7展示策略354

16.7.1一次推荐一项物品354

16.7.2推荐k项最匹配的物品355

16.7.3解释界面355

16.8准则验证模型357

16.9总结359

参考文献359

第17章 基于示意图的产品目录可视化363

17.1简介363

17.2基于图的可视化方法364

17.2.1自组织映射364

17.2.2树图365

17.2.3多维缩放366

17.2.4非线性主成分分析367

17.3产品目录图367

17.3.1多维缩放368

17.3.2非线性主成分分析369

17.4通过点击流分析决定属性权重370

17.4.1泊松回归模型370

17.4.2处理缺失值371

17.4.3使用泊松回归选择权值371

17.4.4阶梯式泊松回归模型371

17.5图像购物界面372

17.6电子商务应用373

17.6.1使用属性权值的基于MDS的产品目录图373

17.6.2基于NL-PCA的产品目录图375

17.6.3图像购物界面377

17.7总结与展望379

致谢380

参考文献380

第四部分 推荐系统与群体384

第18章 个性化Web搜索中的群体、协作与推荐系统384

18.1简介384

18.2网络搜索历史简介385

18.3网络搜索的未来387

18.3.1个性化网络搜索387

18.3.2协同信息检索390

18.3.3向社交搜索前进392

18.4案例研究1：基于群体的网络搜索392

18.4.1搜索群体中的重复性和规律性392

18.4.2协同网络搜索系统393

18.4.3评估395

18.4.4讨论396

18.5案例研究2：网络搜索共享396

18.5.1 HeyStaks系统397

18.5.2 HeyStaks推荐引擎399

18.5.3评估400

18.5.4讨论402

18.6总结402

致谢403

参考文献403

第19章 社会化标签推荐系统409

19.1简介409

19.2社会化标签推荐系统410

19.2.1大众分类法410

19.2.2传统推荐系统范式411

19.2.3多模式推荐412

19.3现实社会化标签推荐系统413

19.3.1有哪些挑战413

19.3.2案例BibSonomy413

19.3.3标签获取415

19.4社会化标签系统的推荐算法416

19.4.1协同过滤416

19.4.2基于排序的推荐418

19.4.3基于内容的社会化标签推荐系统421

19.4.4评估方案和评估度量423

19.5算法比较424

19.6总结与展望426

参考文献427

第20章 信任和推荐430

20.1简介430

20.2信任的表示与计算431

20.2.1信任表示431

20.2.2信任计算433

20.3信任增强推荐系统436

20.3.1动机436

20.3.2进展437

20.3.3实验比较441

20.4进展和开放性挑战445

20.5总结446

参考文献446

第21章 组推荐系统449

21.1简介449

21.2应用场景和群组推荐系统分类450

21.2.1交互式电视450

21.2.2环绕智能450

21.2.3基于场景的推荐系统451

21.2.4基于分类的群组推荐451

21.3合并策略452

21.3.1合并策略概览452

21.3.2合并策略在相关工作中的应用453

21.3.3哪种策略效果最好454

21.4序列顺序的影响455

21.5对情感状态建模456

21.5.1对个人的满意度进行建模457

21.5.2个人满意度对群组的影响458

21.6情感状态在合并策略中的使用459

21.7对单个用户进行组推荐460

21.7.1多准则460

21.7.2冷启动问题461

21.7.3虚拟组成员462

21.8总结与挑战462

21.8.1提出的主要问题463

21.8.2警告：组建模463

21.8.3面临的挑战464

致谢464

参考文献465

第五部分 高级算法468

第22章 推荐系统中的偏好聚合468

22.1简介468

22.2推荐系统中的聚合类型468

22.2.1协同过滤中的偏好聚合470

22.2.2 CB与UB推荐中的特性聚合470

22.2.3 CB与UB的配置文件构建470

22.2.4物品和用户相似度以及邻居的形成471

22.2.5基于实例推理的连接词在推荐系统中的应用472

22.2.6加权混合系统472

22.3聚合函数概论472

22.3.1定义和属性472

22.3.2聚合成员475

22.4聚合函数的构建479

22.4.1数据收集和处理479

22.4.2期望属性、语义、解释480

22.4.3函数表现的复杂度及其理解481

22.4.4权重和参数的确定482

22.5推荐系统中的复杂聚合过程：为特定应用定制482

22.6总结485

22.7进阶阅读485

致谢486

参考文献486

第23章 推荐系统中的主动学习488

23.1简介488

23.1.1推荐系统中主动学习的目标489

23.1.2例证490

23.1.3主动学习的类型490

23.2数据集的属性491

23.3主动学习在推荐系统中的应用492

23.4主动学习公式493

23.5基于不确定性的主动学习495

23.5.1输出不确定性495

23.5.2决策边界不确定性496

23.5.3模型不确定性497

23.6基于误差的主动学习498

23.6.1基于实例的方法498

23.6.2基于模型的方法500

23.7基于组合的主动学习501

23.7.1基于模型的方法501

23.7.2基于候选的方法502

23.8基于会话的主动学习504

23.8.1基于实例的评论504

23.8.2基于多样性的方法504

23.8.3基于查询编辑的方法505

23.9计算因素考虑505

23.10总结505

致谢506

参考文献506

第24章 多准则推荐系统510

24.1简介510

24.2推荐作为多准则决策问题511

24.2.1决策目标512

24.2.2准则簇512

24.2.3全局偏好模型513

24.2.4决策支持流程513

24.3推荐系统的MCDM框架：经验教训515

24.4多准则评分推荐517

24.4.1传统的单值评分推荐问题517

24.4.2引入多准则评分来扩展传统推荐系统518

24.5多准则评分推荐算法综述519

24.5.1预测中使用多准则评分519

24.5.2推荐中使用多准则评分524

24.6讨论及未来工作526

24.7总结527

致谢528

参考文献528

第25章 具有健壮性的协同推荐533

25.1简介533

25.2问题定义534

25.3攻击分类536

25.3.1基础攻击536

25.3.2非充分信息攻击537

25.3.3打压攻击模型537

25.3.4知情攻击模型538

25.4检测系统健壮性539

25.4.1评估矩阵539

25.4.2推举攻击540

25.4.3打压攻击541

25.4.4知情攻击542

25.4.5攻击效果543

25.5攻击检测543

25.5.1评估矩阵544

25.5.2单用户检测544

25.5.3用户组检测545

25.5.4检测结果548

25.6健壮的推荐算法548

25.6.1基于模型的推荐548

25.6.2健壮的矩阵分解算法549

25.6.3其他具有健壮性的推荐算法549

25.6.4影响力限制器和基于信誉的推荐550

25.7总结550

致谢551

参考文献551

本书贡献者名单554

翻译团队名单560