電子商務(wù)推薦系統(tǒng)導(dǎo)論

前言
第1章 引論
1.1 推薦系統(tǒng)概述
1.1.1 推薦系統(tǒng)：動(dòng)機(jī)與現(xiàn)狀
1.1.2 電子商務(wù)：推薦系統(tǒng)最重要的應(yīng)用領(lǐng)域
1.1.3 推薦系統(tǒng)：形式化建模
1.2 推薦系統(tǒng)研究概覽
1.2.1 挑戰(zhàn)性問題
1.2.2 本書組織結(jié)構(gòu)
參考文獻(xiàn)
第2章 傳統(tǒng)推薦模型與算法
2.1 協(xié)同過濾模型
2.1.1 基于用戶的協(xié)同過濾
2.1.2 基于項(xiàng)目的協(xié)同過濾
2.1.3 相似度計(jì)算方法
2.1.4 混合型協(xié)同過濾
2.1.5 一個(gè)例子
2.2 基于內(nèi)容的推薦模型
2.2.1 項(xiàng)目和用戶表示
2.2.2 用戶興趣學(xué)習(xí)模型
2.3 潛在語義分析模型
2.3.1 奇異值分解模型
2.3.2 概率潛在語義分析模型
2.3.3 潛在狄利克雷分配模型
2.4 基于關(guān)聯(lián)規(guī)則挖掘的推薦
2.4.1 頻繁模式與關(guān)聯(lián)規(guī)則挖掘
2.4.2 基于關(guān)聯(lián)規(guī)則的推薦
參考文獻(xiàn)
第3章 情境推薦模型與算法
3.1 推薦系統(tǒng)情境信息
3.1.1 什么是情境信息
3.1.2 情境信息的層次式表征
3.2 融合情境信息的推薦模型
3.2.1 情境預(yù)過濾
3.2.2 情境后過濾
3.2.3 情境化建模
3.2.4 三類范式的混合使用
3.3 基于時(shí)空信息的推薦模型
3.3.1 考慮用戶興趣漂移的推薦
3.3.2 移動(dòng)推薦
3.4 基于隱反饋信息的推薦模型
參考文獻(xiàn)
第4章 社會(huì)化推薦模型與算法
4.1 社會(huì)計(jì)算與社會(huì)化推薦
4.1.1 社會(huì)計(jì)算研究議題概覽
4.1.2 社會(huì)化推薦
4.2 社會(huì)化協(xié)同過濾模型
4.2.1 基于信任關(guān)系的社會(huì)化協(xié)同過濾
4.2.2 基于矩陣分解的社會(huì)化協(xié)同過濾
4.3 社會(huì)化標(biāo)簽系統(tǒng)中的推薦
4.3.1 社會(huì)化標(biāo)簽系統(tǒng)概述
4.3.2 基于社會(huì)化標(biāo)簽的多模式推薦
4.4 鏈路預(yù)測
4.4.1 基于拓?fù)浣Y(jié)構(gòu)信息的鏈路預(yù)測
4.4.2 基于節(jié)點(diǎn)信息的鏈路預(yù)測
4.5 作者協(xié)作關(guān)系網(wǎng)絡(luò)中的推薦
4.5.1 專家推薦
4.5.2 論文推薦
4.6 社會(huì)化推薦領(lǐng)域的挑戰(zhàn)性問題
參考文獻(xiàn)
第5章 推薦系統(tǒng)評價(jià)指標(biāo)與方法
5.1 評價(jià)任務(wù)概述
5.2 評價(jià)指標(biāo)
5.2.1 準(zhǔn)確性指標(biāo)
5.2.2 準(zhǔn)確度以外的指標(biāo)
5.3 實(shí)驗(yàn)數(shù)據(jù)集
5.3.1 一般性評分?jǐn)?shù)據(jù)集
5.3.2 融合社會(huì)網(wǎng)絡(luò)的數(shù)據(jù)集
5.4 評價(jià)方法
5.4.1 在線評價(jià)
5.4.2 離線評價(jià)
5.5 總結(jié)
參考文獻(xiàn)
第6章 推薦系統(tǒng)可信性與安全性
6.1 托攻擊概述
6.1.1 托攻擊模型
6.1.2 托攻擊分類
6.2 托攻擊危害性衡量指標(biāo)與脆弱性分析
6.2.1 托攻擊危害性指標(biāo)
6.2.2 托攻擊脆弱性分析
6.3 托攻擊檢測特征指標(biāo)與特征選擇
6.3.1 托攻擊檢測特征指標(biāo)
6.3.2 托攻擊檢測指標(biāo)特征選擇
6.4 托攻擊檢測算法
6.4.1 監(jiān)督學(xué)習(xí)模型
6.4.2 無監(jiān)督學(xué)習(xí)模型
6.4.3 半監(jiān)督學(xué)習(xí)模型
6.5 托攻擊檢測算法評價(jià)方法
6.5.1 仿真實(shí)驗(yàn)
6.5.2 真實(shí)案例分析
6.6 群組攻擊
6.6.1 嚴(yán)格版本的群組攻擊構(gòu)建算法
6.6.2 松弛版本的群組攻擊構(gòu)建算法
6.7 未來的研究方向
參考文獻(xiàn)
第7章 電子商務(wù)推薦系統(tǒng)與企業(yè)績效
7.1 電子商務(wù)企業(yè)績效對推薦系統(tǒng)的影響
7.1.1 電子商務(wù)企業(yè)績效的長尾效應(yīng)
7.1.2 長尾分布、齊普夫定律和冪律分布
7.1.3 長尾效應(yīng)對推薦系統(tǒng)設(shè)計(jì)的思考
7.2 多樣化推薦系統(tǒng)設(shè)計(jì)
7.2.1 多樣性的定義
7.2.2 重排序技術(shù)
7.2.3 基于主題多樣性的推薦
7.3 推薦系統(tǒng)冷啟動(dòng)問題
7.3.1 冷啟動(dòng)問題概述
7.3.2 種子項(xiàng)目選擇方法
7.4 總結(jié)
參考文獻(xiàn)
第8章 電子商務(wù)推薦系統(tǒng)架構(gòu)設(shè)計(jì)
8.1 商用推薦系統(tǒng)概述
8.1.1 通用框架
8.1.2 數(shù)據(jù)類型
8.1.3 用戶畫像
8.2 推薦系統(tǒng)案例分析
8.2.1 Amazon推薦系統(tǒng)
8.2.2 Netflix推薦系統(tǒng)
8.2.3 Hulu推薦系統(tǒng)
8.3 基于Web日志的推薦
8.3.1 Web使用挖掘技術(shù)
8.3.2 Google新聞推薦系統(tǒng)
參考文獻(xiàn)
第9章 下一代推薦系統(tǒng)研究展望
9.1 大數(shù)據(jù)的挑戰(zhàn)
9.1.1 大數(shù)據(jù)計(jì)算
9.1.2 大數(shù)據(jù)計(jì)算對推薦系統(tǒng)基礎(chǔ)架構(gòu)的變革
9.2 推薦系統(tǒng)研究議題展望
9.2.1 隱私保護(hù)
9.2.2 基于位置的推薦
9.2.3 群組推薦
9.2.4 基于演化計(jì)算的推薦模型
參考文獻(xiàn)
索引