推薦系統(tǒng)：原理與實(shí)踐

目錄
Recommender Systems: The Textbook
出版者的話
譯者序
前言
致謝
作者簡(jiǎn)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(biāo)
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(guò)濾模型
1.3.2基于內(nèi)容的推薦系統(tǒng)
1.3.3基于知識(shí)的推薦系統(tǒng)
1.3.4人口統(tǒng)計(jì)推薦系統(tǒng)
1.3.5混合集成的推薦系統(tǒng)
1.3.6對(duì)推薦系統(tǒng)的評(píng)價(jià)
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(shí)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(jí)論題和應(yīng)用
1.5.1推薦系統(tǒng)中的冷啟動(dòng)問(wèn)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(biāo)準(zhǔn)推薦系統(tǒng)
1.5.5推薦系統(tǒng)中的主動(dòng)學(xué)習(xí)
1.5.6推薦系統(tǒng)中的隱私問(wèn)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(xí)題
第2章基于近鄰的協(xié)同過(guò)濾
2.1引言
2.2評(píng)分矩陣的關(guān)鍵性質(zhì)
2.3通過(guò)基于近鄰的方法預(yù)測(cè)評(píng)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(shí)現(xiàn)和計(jì)算復(fù)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(shì)
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(xí)題
第3章基于模型的協(xié)同過(guò)濾
3.1引言
3.2決策和回歸樹(shù)
3.2.1將決策樹(shù)擴(kuò)展到協(xié)同過(guò)濾
3.3基于規(guī)則的協(xié)同過(guò)濾
3.3.1將關(guān)聯(lián)規(guī)則用于協(xié)同過(guò)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(guò)濾
3.4.1處理過(guò)擬合
3.4.2示例：使用貝葉斯方法處理二元評(píng)分
3.5將任意分類模型當(dāng)作黑盒來(lái)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(wú)約束矩陣分解
3.6.5奇異值分解
3.6.6非負(fù)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(zhǔn)估計(jì)：非個(gè)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(xí)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(xué)習(xí)用戶畫像和過(guò)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(xué)習(xí)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(guò)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(xí)題
第5章基于知識(shí)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(píng)方法
5.3.3批評(píng)的解釋
5.4基于知識(shí)的系統(tǒng)的持久個(gè)性化
5.5小結(jié)
5.6相關(guān)工作
5.7習(xí)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(duì)分類中的bagging算法的調(diào)整
6.3.3隨機(jī)性注入算法
6.4切換型混合系統(tǒng)
6.4.1為解決冷啟動(dòng)問(wèn)題的切換機(jī)制
6.4.2桶模型
6.5級(jí)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(jí)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(jí)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(xí)題
第7章推薦系統(tǒng)評(píng)估
7.1引言
7.2評(píng)估范例
7.2.1用戶調(diào)查
7.2.2在線評(píng)估
7.2.3使用歷史數(shù)據(jù)集進(jìn)行離線評(píng)估
7.3評(píng)估設(shè)計(jì)的總體目標(biāo)
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(kuò)展性
7.4離線推薦評(píng)估的設(shè)計(jì)要點(diǎn)
7.4.1Netflix Prize數(shù)據(jù)集的案例研究
7.4.2為訓(xùn)練和測(cè)試分解評(píng)分
7.4.3與分類設(shè)計(jì)的比較
7.5離線評(píng)估的精確性指標(biāo)
7.5.1度量預(yù)測(cè)評(píng)分的精確性
7.5.2通過(guò)相關(guān)性評(píng)估排名
7.5.3通過(guò)效用評(píng)估排名
7.5.4通過(guò)ROC曲線評(píng)估排名
7.5.5哪種排名方式最好
7.6評(píng)估指標(biāo)的局限性
7.6.1避免評(píng)估游戲
7.7小結(jié)
7.8相關(guān)工作
7.9習(xí)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(jí)的重要性
8.3上下文預(yù)過(guò)濾：一種基于降維的方法
8.3.1基于集成的改進(jìn)
8.3.2多級(jí)別的估計(jì)
8.4后過(guò)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(xí)題
第9章時(shí)間與位