推薦系統(tǒng)進(jìn)展：方法與技術(shù)

第1章 推薦系統(tǒng) 1
1.1 推薦系統(tǒng)的簡介 1
1.2 推薦系統(tǒng)的挑戰(zhàn) 4
1.2.1 數(shù)據(jù)端的挑戰(zhàn) 4
1.2.2 模型端的挑戰(zhàn) 6
1.2.3 評(píng)估端的挑戰(zhàn) 8
1.3 LibRec開源庫 11
1.3.1 LibRec簡介 11
1.3.2 LibRec框架 12
1.3.3 LibRec安裝 20
1.4 協(xié)同過濾算法 22
1.4.1 基于內(nèi)存的推薦算法 23
1.4.2 基于模型的推薦算法 31
1.4.3 推薦算法的測(cè)試評(píng)估 37
參考文獻(xiàn) 43
第2章 用戶反饋 44
2.1 傳統(tǒng)評(píng)分反饋 44
2.1.1 相似度測(cè)量 44
2.1.2 貝葉斯相似度 47
2.1.3 相似度分析 53
2.1.4 實(shí)驗(yàn)評(píng)估 56
2.2 前置評(píng)分反饋 68
2.2.1 前置評(píng)分 69
2.2.2 用戶調(diào)查 72
2.2.3 PRCF模型 79
2.2.4 要點(diǎn)討論 84
2.3 異質(zhì)隱式反饋 84
2.3.1 輔助反饋 85
2.3.2 BPRH模型 86
2.3.3 GcBPR模型 93
2.3.4 要點(diǎn)討論 100
參考文獻(xiàn) 101
第3章 社會(huì)化推薦系統(tǒng) 103
3.1 社會(huì)化推薦系統(tǒng)簡介 103
3.1.1 評(píng)分預(yù)測(cè)算法 104
3.1.2 物品推薦算法 106
3.1.3 遠(yuǎn)景與挑戰(zhàn) 107
3.2 社交感知的最近鄰模型 108
3.2.1 Merge模型 108
3.2.2 案例與分析 113
3.2.3 實(shí)驗(yàn)評(píng)估 116
3.3 多視圖聚類的推薦模型 121
3.3.1 多視圖聚類 122
3.3.2 SVR回歸預(yù)測(cè) 127
3.3.3 冷啟動(dòng)用戶 129
3.3.4 實(shí)驗(yàn)評(píng)估 131
3.4 社交增強(qiáng)的矩陣分解模型 137
3.4.1 信任分析 137
3.4.2 TrustSVD模型 141
3.4.3 FST模型 150
參考文獻(xiàn) 159
第4章 信任計(jì)算 161
4.1 基本信任模型 161
4.1.1 認(rèn)知信任 161
4.1.2 信任度量 162
4.1.3 實(shí)驗(yàn)評(píng)估 166
4.2 擴(kuò)展的信任因子框架模型 170
4.2.1 TAF模型 170
4.2.2 ETAF模型 171
4.2.3 實(shí)驗(yàn)評(píng)估 176
4.3 多因子信任模型 181
4.3.1 信任框架 182
4.3.2 信任精化 183
4.3.3 實(shí)驗(yàn)評(píng)估 186
4.4 非線性信任模型 191
4.4.1 TrustNCF模型 191
4.4.2 模型分析 196
4.4.3 實(shí)驗(yàn)評(píng)估 197
參考文獻(xiàn) 200
第5章 情景感知推薦 202
5.1 類別感知推薦模型 202
5.1.1 類別與偏好分析 204
5.1.2 類別感知推薦 207
5.1.3 實(shí)驗(yàn)評(píng)估 212
5.2 評(píng)論感知推薦模型 217
5.2.1 評(píng)論感知推薦概述 218
5.2.2 ADR模型 219
5.2.3 實(shí)驗(yàn)評(píng)估 222
5.3 地理感知推薦模型 226
5.3.1 地理與偏好分析 227
5.3.2 GeoBPR模型 228
5.3.3 實(shí)驗(yàn)評(píng)估 231
5.4 時(shí)間感知推薦模型 234
5.4.1 時(shí)間與偏好分析 235
5.4.2 PCCF模型 240
5.4.3 實(shí)驗(yàn)評(píng)估 245
參考文獻(xiàn) 248